propagation de la variabilité de la morphologie humaine
Post on 01-Aug-2022
2 Views
Preview:
TRANSCRIPT
HAL Id: tel-00583723https://tel.archives-ouvertes.fr/tel-00583723v1
Submitted on 6 Apr 2011 (v1), last revised 28 Mar 2013 (v2)
HAL is a multi-disciplinary open accessarchive for the deposit and dissemination of sci-entific research documents, whether they are pub-lished or not. The documents may come fromteaching and research institutions in France orabroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, estdestinée au dépôt et à la diffusion de documentsscientifiques de niveau recherche, publiés ou non,émanant des établissements d’enseignement et derecherche français ou étrangers, des laboratoirespublics ou privés.
Propagation de la variabilité de la morphologie humainesur le Débit d’Absorption Spécifique en dosimétrie
numériqueAimad El Habachi
To cite this version:Aimad El Habachi. Propagation de la variabilité de la morphologie humaine sur le Débit d’AbsorptionSpécifique en dosimétrie numérique. Physique [physics]. Supélec, 2011. Français. �tel-00583723v1�
N° d’ordre : 2011-01-TH
THÈSE DE DOCTORAT
SPECIALITE : PHYSIQUE
Ecole Doctorale « Sciences et Technologies de l’Information des Télécommunications et des Systèmes »
Présentée par :
Aimad EL HABACHI
Sujet :
Propagation de la variabilité de la morphologie humaine sur le Débit d'Absorption Spécifique en dosimétrie numérique
Soutenue le 31 janvier 2011 devant les membres du jury :
M. Laurent CARRARO Professeur à Télécom Saint-Etienne Rapporteur
M. Gilles FLEURY Professeur à Supélec Directeur de thèse
M. Marc HELIER Professeur à l'UMPC Rapporteur
M. David LAUTRU Maître de conférences à l'UMPC Examinateur
M. Eric WALTER Directeur de recherche au CNRS-L2S Président
M. Joe WIART Ingénieur Expert Emérite à Orange Labs Examinateur
2
Remerciements
Ce travail a été réalisé au sein d’Orange Labs, dans l’unité de recherche Resa/WASA/
WAVE dirigée par M. Joe Wiart et collaboration avec le département de Signaux et
Systèmes Eléctroniques dirigé par M. Gilles Fleury à Supélec.
Je tiens à remercier en premier lieu M. Joe Wiart de m’avoir accordé sa confiance
en me confiant ce travail de thèse très passionnant et enrichissant. J’ai beaucoup
apprécié ses qualités humaines, son excellent niveau scientifique. Les diverses dis-
cussions et son expertise dans le domaine des ondes électromagnétiques et leurs
absorptions par le corps humains m’ont été d’une très grande utilité et m’ont permis
d’avancer dans ce travail.
Mes remerciments se dirigent naturellement vers mon directeur de thèse M. Gilles
Fleury. Les remarques et suggestions lors des nombreux points d’avancements ont
été très bénéfiques et ont permis une progression considérable de cette thèse.
Je voudrais également exprimé toute ma gratitudes à Emmanuel pour son suivi
et pour toutes les solutions méthodologiques proposées tout au long de cette thèse.
Un très grand merci pour M. Carraro et M. Hélier d’avoir accepté de rapporter
ce mémoire de thèse. Je tiens à remercier également M. Walter et M. Lautru de leur
présence parmi le jury de cette thèse.
Je ne manquerai pas ma part de remerciements et ma grande amitié à Emma-
nuelle pour sa disponibilité, son suivi, sa rigueur et ses multiples corrections de mes
articles (Encore une phrase sans verbe !) et surtout sa relecture de ce mémoire, à
Azeddine avec qui j’ai partagé le même bureau durant une grande partie de cette
thèse à Hamid pour son aide pour la technique de morphing et ses innombrables
3
débugages de la FDTD, à Man-Faï pour les discussions intéressantes que nous avons
eues, à Thierry S pour ses interventions sur les machines en cas de problème. Vous
formez une très belle équipe !
J’adresse mes sincère amitiés à Amal, Yenny, Jessica, Hanae, Fadila, Tony, Ab-
del, Christopher, Thierry K, Ouanes, Elias, Zaher, Tristan d’avoir partagé avec moi
cette très belle expérience. Je tiens à souhaiter la bienvenue aux nouveaux thésards
Marjorie et Yacine.
Un Très grand Merci à toute ma petite famille en France (Merci Tata Saida) et
au Maroc (Merci Maman, Merci Papa) et sans oublier biensûr ma fiancée.
4
Table des matières
Introduction 9
1 Dosimétrie numérique, problématique et objectifs 16
1.1 Dosimétrie numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.1.1 Les modèles anatomiques du corps humain . . . . . . . . . . . 16
1.1.2 La méthode de la FDTD . . . . . . . . . . . . . . . . . . . . . 22
1.1.3 Les sources électromagnétiques . . . . . . . . . . . . . . . . . 23
1.2 Problématique, objectifs et matériels . . . . . . . . . . . . . . . . . . 24
1.2.1 Problématique et objectifs . . . . . . . . . . . . . . . . . . . . 24
1.2.2 La technique du morphing . . . . . . . . . . . . . . . . . . . . 27
1.2.3 Données anthropométriques . . . . . . . . . . . . . . . . . . . 30
1.2.3.1 Facteurs morphologiques internes . . . . . . . . . . . 30
1.2.3.2 Facteurs morphologiques externes . . . . . . . . . . . 32
1.3 Conclusion du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2 Estimation d’un quantile du WBSAR 41
2.1 Construction d’un modèle linéaire du WBSAR . . . . . . . . . . . . . 41
2.1.1 Facteurs morphologiques externes influençant le WBSAR . . . 41
2.1.2 Facteurs morphologiques internes influençant le WBSAR . . . 48
2.2 Détermination du quantile du WBSAR à 95% pour la population
française âgée de 20 ans . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.2.1 Connaissances a priori sur le paramètre dépendant des facteurs
morphologiques internes . . . . . . . . . . . . . . . . . . . . . 58
2.2.2 Estimation du quantile du WBSAR à 95 % par des lois usuelles 61
5
2.2.3 Maximisation du quantile du WBSAR à 95 % par un mélange
de gaussiennes . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2.2.3.1 Introduction d’une contrainte sur les poids du mélange 74
2.2.3.2 Introduction de la contrainte de la variance . . . . . 76
2.2.3.3 Introduction du critère de Rayleigh . . . . . . . . . . 77
2.3 Conclusion du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3 Quantile du WBSAR à 95% par plan d’expériences séquentiel et
polynômes de chaos 85
3.1 Adaptation de la technique de morphing à la base de données anthro-
pométriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
3.2 Plan d’expériences séquentiel . . . . . . . . . . . . . . . . . . . . . . . 89
3.2.1 Modèle du WBSAR en fonction de la morphologie . . . . . . . 89
3.2.2 Méthodologie . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.2.3 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
3.3 Polynômes de Chaos appliqués à l’évaluation du WBSAR au sein
d’une population . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
3.3.1 Distribution du WBSAR dans la population française . . . . . 111
3.3.2 Modification des variables d’entrées . . . . . . . . . . . . . . . 115
3.3.3 Comparaison du quantile à 95 % issu du plan d’expériences et
des polynômes de chaos . . . . . . . . . . . . . . . . . . . . . 118
3.3.4 Conclusion du chapitre . . . . . . . . . . . . . . . . . . . . . . 118
Conclusion 121
A D-optimalité 126
B Metropolis Hastings 129
C Quelques lois paramétriques usuelles 131
C.0.5 Lois normale et log-normale . . . . . . . . . . . . . . . . . . . 131
C.0.6 Loi Bêta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
C.0.7 Loi Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
6
C.0.8 Loi de Weibull . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
Références 133
Liste des figures 143
Liste des tableaux 146
7
8
Introduction
Les technologies liées aux champs électromagnétiques ont connu un développe-
ment important durant ces dix dernières années et une augmentation considérable
des utilisateurs à travers le monde. La figure 1 montre un exemple de l’augmentation
de l’utilisation du téléphone portable en France.
L’apparition de nouveaux systèmes électromagnétiques tel que le WiFi ou les
téléphones portables multifonctions (smartphone) implique une exposition aux ondes
électromagnétiques de plus en plus importante et de longue durée.
Figure 1 – Augmentation des utilisateurs de téléphones portables en France [2]
9
Introduction
Cette exposition suscite l’inquiétude des utilisateurs vis-à-vis d’un éventuel im-
pact sur la santé. Nous trouvons également beaucoup d’articles de journaux parlant
de ces inquiétudes (figure 2).
Figure 2 – Exemple d’article sur les ondes paru dans un journal [42]
Pour protéger les personnes de ces ondes électromagnétiques, des limites d’ex-
position aux ondes électromagnétiques ont été recommandées par l’ICNIRP (Inter-
national Commission on Non-Ionizing Radiation Protection) en 1995. En 2009, ces
limites ont été réaffirmées [26].
Les recommandations émises par l’ICNIRP ont été reprises par l’Organisation
Mondiale de la Santé (OMS) et adoptées par plusieurs pays. Le conseil de l’Union Eu-
ropéenne a également recommandé ces limitations d’exposition en 1999. En France
ces recommandations ont été transcrites dans le droit français par le décret du 3 mai
2002 (décret 2002-775).
Nous distinguons deux types de limites : les restrictions de base et les niveaux
10
de référence.
Les restrictions de base sont les limites les plus fondamentales. Elles ont été éta-
blies à partir des effets connus (en radio-fréquence, ces effets sont essentiellement les
effets thermiques) et sont quantifiées par le Débit d’Absorption Spécifique (DAS)
en anglais ’Specific Absorption Rate’ (SAR). Le SAR s’exprime en watts par ki-
logramme. Cette grandeur est définie localement (SAR calculé et moyenné sur 10
grammes de tissus du corps) ou sur le corps entier (moyenné sur le corps entier).
Ces restrictions de base sont très difficiles à mesurer dans un corps humain, c’est
pourquoi l’ICNIRP a défini les niveaux de référence. Ces niveaux sont dérivés des
restrictions de base. Ils sont faciles à mesurer et garantissent la conformité aux res-
trictions de base.
Les niveaux de référence dépendent de la fréquence et s’expriment en fonction du
champ électrique (V/m), courant électrique (A/m) ou puissance incidente (W/m2).
Cependant, ces niveaux ont été établis dans les années 60 à partir de géométries
simples telles que des sphéroïdes pour modéliser le corps humain. Ces niveaux ne
tiennent pas compte de la variabilité de la morphologie et des tissus internes inhé-
rentes au corps humain.
Aujourd’hui, il est possible d’évaluer l’absorption des ondes électromagnétiques
dans les tissus biologiques humains et le SAR peut être évalué numériquement.
Pour cette évaluation du SAR, il existe, d’une part des méthodes numériques
permettant de résoudre les équations de Maxwell [45] (équations de propagation des
ondes) comme par exemple la méthode des différences finies ou des éléments finis.
Depuis une dizaine d’années, les méthodes numériques ont bénéficié de progrès
importants en termes de ressources informatiques (figure 3). En effet, le passage
des calculs sur des machines multiprocesseurs à des calculs sur cartes graphiques a
permis de diminuer fortement le temps de calcul. Par exemple, depuis 2007, le calcul
de l’absorption d’une onde électromagnétique par un adulte est passé d’une durée
de six heures à moins d’une heure en moyenne.
11
Introduction
Figure 3 – A gauche une machine à multiprocesseurs et à droite un calculateur
utilisant des cartes graphiques
D’autre part, nous disposons de modèles anatomiques de corps humains obtenus
pour la plupart à partir de données acquises par Imagerie à Résonance Magnétique
(IRM). Ces modèles sont appelés fantômes et sont composés de différents tissus
(peau, muscles, cerveau, coeur...). Le plus ancien et célèbre modèle anatomique
fut créé en 1986 et s’appelle ’Visible Human 1’ (figure 4). Cependant, au niveau
international, il n’existe qu’un nombre limité de ces fantômes (une vingtaine). De
plus, pour des raisons d’éthique et de coûts, ces fantômes sont très difficiles à obtenir.
Grâce à de nombreuses collaborations, l’équipe WAVE d’Orange Labs dispose à
présent de 18 fantômes, ce qui constitue l’une des grandes bases de données au
niveau international.
1. Visible Human Project, National Library of Medicine, Betheseda, MD
(www.nlm.nih.gov/research/visible)
12
Figure 4 – Exemple de modèle anatomique de corps humain
Avec l’application de ces fantômes, de nombreuses études de dosimétrie numé-
rique ont été menées pour évaluer l’exposition du corps humain aux ondes électro-
magnétiques. Les résultats issus de ces études montrent que les niveaux de référence
pourraient ne pas être en conformité avec les restrictions de base [12]. En effet, ces
études montrent que le SAR moyenné sur le corps entier (Whole Body averaged
SAR : WBSAR) induit chez certains fantômes soumis à une onde plane respectant
les niveaux de références est très proche des restrictions de base. Ce résultat est
observé autour d’une fréquence de 2.1 GHz. De plus, il est obtenu sur un échantillon
de faible taille qui n’est pas forcément représentatif d’une population. En effet, une
population est caractérisée par une large variabilité morphologique. Cette variabilité
est une source d’incertitude qui n’est pas prise en compte par l’échantillon utilisé
dans ces études.
Cet échantillon ne permet pas de déduire de manière directe l’exposition aux
ondes électromagnétiques à l’échelle d’une population. Notre objectif est donc de
déterminer l’exposition aux ondes électromagnétiques à l’échelle d’une population
13
Introduction
et en particulier de trouver le quantile d’exposition tel que 95 % d’une population
donnée soit exposée en dessous de ce quantile.
Afin de déterminer ce quantile du WBSAR au sein d’une population, l’idée est
de construire un modèle du WBSAR en fonction de la morphologie en utilisant les
fantômes dont nous disposons et les connaissances physiques du phénomène d’ab-
sorption des ondes par les tissus biologiques. Une fois ce modèle établi, nous aurons
besoin des données statistiques de la morphologie humaine d’une population afin
de trouver ce quantile d’exposition via ce modèle en utilisant des méthodes de type
Monte Carlo.
Beaucoup d’études se sont penchées sur l’établissement d’un tel modèle [11, 23,
24]. Ces études donnent quelques modèles du WBSAR en fonction de la morphologie.
Cependant, ces modèles sont construits en utilisant très peu de fantômes et des
géométries simples (par exemple des sphéroïdes). Par exemple dans [24], seulement
5 fantômes ont été utilisés afin d’établir un modèle du WBSAR en fonction de
la morphologie. Notre objectif sera alors d’étudier d’un point de vue statistique
l’exposition à l’échelle d’une population en utilisant l’ensemble des 18 fantômes dont
nous disposons.
Ce manuscrit se décompose en trois chapitres. Le premier chapitre donne un
aperçu de la dosimétrie numérique et les outils dont nous disposons actuellement.
Ce premier chapitre introduit également la problématique de la thèse ainsi que ses
objectifs.
Le deuxième chapitre est consacré à l’évaluation du quantile du WBSAR à 95
% pour une population donnée en utilisant des régressions linéaires afin d’identifier
les facteurs morphologiques influençant le WBSAR et construire ainsi un modèle
du WBSAR. Des facteurs morphologiques internes et externes sont identifiés dans
différents modèles du WBSAR. Ensuite, ces modèles sont combinés à des lois pa-
ramétriques usuelles modélisant les facteurs morphologiques internes pour évaluer
le quantile du WBSAR à 95 %. Et finalement nous proposons une méthodologie
utilisant un mélange de gaussiennes et un modèle du WBSAR afin de trouver une
estimation du quantile du WBSAR 95 % au sein d’une population. Le manque des
14
données statistiques de populations sur la morphologie interne, nous a conduits à
introduire des connaissances physiques et quelques hypothèses pour estimer les pa-
ramètres de ces lois usuelles.
Au troisième chapitre, afin de s’affranchir de la variabilité liée à la morphologie
interne, nous utilisons des fantômes homogènes en remplaçant dans les fantômes
tous les tissus internes par un tissu équivalent. Deux méthodologies sont utilisées
afin de trouver le quantile à 95 % du WBSAR en utilisant des fantômes homogènes.
La première approche consiste à établir un plan d’expériences séquentiel qui va
permettre de raffiner la région du quantile à 95 %. Cette approche repose d’une part,
sur un modèle paramétrique du WBSAR en fonction de la morphologie et d’autre
part, sur de l’inférence bayésienne. La deuxième approche consiste à approcher toute
la distribution du WBSAR dans une population donnée en utilisant les polynômes
de chaos et en déduire le quantile du WBSAR à 95 %.
Enfin, dans le dernier chapitre nous présentons les conclusions des études qui ont
été menées dans le cadre de cette thèse ainsi que les perspectives de cette étude.
15
Chapitre 1
Dosimétrie numérique,
problématique et objectifs
1.1 Dosimétrie numérique
La dosimétrie numérique permet d’évaluer numériquement l’absorption des ondes
électromagnétiques par les tissus biologiques humains. En dosimétrie numérique, il
faut distinguer, les modèles anatomiques du corps humain que nous utilisons pour
évaluer l’absorption des ondes (SAR), les méthodes numériques qui permettent de
résoudre les équations de propagation des ondes (équations de Maxwell) et finalement
la source électromagnétique choisie (par exemple une onde plane venant d’une source
lointaine, un téléphone portable...).
1.1.1 Les modèles anatomiques du corps humain
Afin d’évaluer le SAR numériquement, nous utilisons des modèles anatomiques
du corps humain que nous appelons fantômes. Ces fantômes sont composés de diffé-
rents tissus biologiques comme les muscles et la graisse. La plupart de ces fantômes
sont construits à partir d’Images à Résonance Magnétique (IRM). La construction
de ces fantômes reste complexe et difficile. En effet, à partir de ces IRM les organes
et tissus sont identifiés puis ’segmentés’. La durée nécessaire pour construire un fan-
tôme est d’environ un an pour des questions relatives à l’éthique, l’acquisition et la
16
1.1. DOSIMÉTRIE NUMÉRIQUE
segmentation. Ces difficultés expliquent leur nombre limité au niveau international.
Notre base de données est constituée de 18 fantômes. Les premiers modèles an-
thropométriques qui ont été développés étaient des modèle d’adultes. En 2007, au
début de cette thèse, nous ne disposions que de six modèles d’adultes. Ces fantômes
sont représentés sur la figure 1.1.
Figure 1.1 – Illustration des six fantômes initiaux
De gauche à droite nous avons le fantôme masculin anglais ‘NORMAN’ (NOR-
malized MAN) [12], le fantôme masculin coréen ‘ETRI’ [30], le fantôme masculin
japonais ‘Taro’ [34], le fantôme féminin japonais ‘Hanako’ [34], le modèle masculin
américain ‘Zubal’ [50] et finalement le fantôme masculin américain ‘Visible Human’
[1].
Les nombreuses collaborations de l’équipe ‘WAVE ’ ont permis de collecter au
cours de cette thèse et au fur et à mesure de leurs constructions de nouveaux fantômes
dont des modèles d’enfants. Les fantômes acquis au cours de cette thèse sont : une fille
de 6 ans ‘Karla’ (fantôme construit au sein du laboratoire WAV E), un garçon coréen
âgé de 7 ans, une femme anglaise ‘NAOMI’ (aNAtOMIcal women) [13] et un coréen
17
CHAPITRE 1. DOSIMÉTRIE NUMÉRIQUE, PROBLÉMATIQUE ET OBJECTIFS
‘HDRK’ (High Definition Reference Korean male) [28]. Nous avons également une
famille appelée la Virtual Family [9]. Cette famille est composée d’une femme ‘Ella’,
d’un homme ‘Duke’, d’un garçon de 6 ans ‘Thelonious’ et d’une fille de 11 ans ‘Billie’.
Et finalement nous avons aussi obtenu une famille de fantômes enfants appelée la
Virtual Class Room. Celle-ci est composée d’une fille âgée de 5 ans ‘Roberta’, d’une
fille âgée de 8 ans ‘Eartha’, d’un garçon âgé de 8 ans ‘Dizzy’ et d’un garçon âgé de
14 ans ‘Louis’ [44].
Figure 1.2 – Illustration des 8 fantômes enfants. De gauche à droite : Billie, The-
lonious, Karla, le garçon coréen, Roberta, Eartha, Dizzy et Louis.
18
1.1. DOSIMÉTRIE NUMÉRIQUE
Figure 1.3 – Nouveaux fantômes adultes. De gauche à droite : HDRK, Naomi, Duke
et Ella.
La plupart de ces fantômes ont été choisis de manière à correspondre à la moyenne
de la population dont ils proviennent.
La morphologie humaine influence fortement l’exposition aux ondes électroma-
gnétique. Parmi ces facteurs morphologiques, nous distinguons les facteurs morpho-
logiques externes et les facteurs morphologiques internes. Les facteurs morpholo-
giques externes les plus évidents sont la taille et la masse. Il existe d’autres facteurs
morphologiques externes utilisés dans beaucoup d’études anthropométriques. Parmi
ces facteurs nous avons, la mesure empirique de la surface corporelle (qu’on appelle
BSA : Body Surface Area). L’Indice de Masse Corporelle (IMC) en anglais Body
Mass Index (BMI) indiquant la corpulence d’un individu, peut être utilisé également
dans le modèle du WBSAR. Ces deux facteurs s’expriment en fonction de la taille
et de la masse. Plusieurs formules existent dans la littérature pour le facteur BSA
comme la formule de Fujimoto [17] établie à partir d’un échantillon d’individus japo-
nais et la formule Dubois et Dubois établie à partir d’un échantillon européen [15].
Pour cette étude nous avons choisi la formule de Dubois et Dubois. Les formules du
BMI et du BSA sont données respectivement par :
19
CHAPITRE 1. DOSIMÉTRIE NUMÉRIQUE, PROBLÉMATIQUE ET OBJECTIFS
BMI(kg/m2) =mtm2 , (1.1)
et
BSA(m2) = 0.007184(m0.425tcm0.725), (1.2)
où m est la masse (exprimé en kg) et t est la taille.
En ce qui concerne les facteurs morphologiques internes, nous considérons d’une
part la peau (ce facteur est important car il est le premier tissu exposé à l’onde) et
d’autre part, la graisse, les muscles et les os. Ces facteurs morphologiques internes
sont les principaux tissus qui constituent le corps humain. En effet, ils représentent
environ 80 % de la masse totale du corps. Il existe beaucoup d’autres facteurs mor-
phologiques internes comme la matière grise, matière blanche, le cartilage notam-
ment, mais ces facteurs ont une faible influence sur le WBSAR. En effet, la puissance
absorpée par ces tissus varie entre 5 % et 11 % pour les fantômes. Le tableau 1.1
regroupe les différents facteurs morphologiques internes et externes des fantômes.
20
1.1. DOSIMÉTRIE NUMÉRIQUE
Taille Masse Peau Graisse Muscles Os
Fantômes (m) (kg) (%) (%) (%) (%)
Hommes
Norman 1.74 66 7.2 22 45 11.1
Zubal 1.75 81 5.7 21 42 17.4
Etri 1.76 76 11.8 14 47 15
Visible Human 1.82 106 8.3 18 47 16
Taro 1.73 67 5.5 29 43 10.3
Duke 1.75 71 7.7 16 48 12.4
HDRK 1.70 72 5.8 34 33 17.1
Femmes
Naomi 1.58 64 5.1 38 32 14.7
Hanako 1.61 52 5.8 32 33 16.3
Ella 1.67 58 6.1 24 40 10.4
Enfants
Thelonious 1.17 19 7.9 15 42 15.4
Billie 1.47 35 9.7 19 34 13.7
Karla 1.18 24 10 29.5 30 15.15
Garçon Coréen 1.22 24.8 7.7 17 37.6 17
Roberta 1.10 17.6 8 22 33.7 9.35
Eartha 1.38 31 5.3 25.4 35.2 11.6
Dizzy 1.39 26 6.8 18.4 40 18.4
Louis 1.68 49.2 8.2 18.5 42.2 14
Table 1.1 – Caractéristiques morphologiques des fantômes.
21
CHAPITRE 1. DOSIMÉTRIE NUMÉRIQUE, PROBLÉMATIQUE ET OBJECTIFS
Les tissus biologiques du corps humain possèdent des caractéristiques électroma-
gnétiques appelées propriétés diélectriques [18, 27]. Nous distinguons la permittivité
relative ǫr normalisée par la permittivité de l’air (ǫ0 exprimée en A.s.V −1.m−1) et la
conductivité σ exprimée en S.m−1. Ces deux grandeurs varient en fonction des tissus
biologiques et de la fréquence. Le tableau 1.2 donne des propriétés diélectriques de
quelques tissus à la fréquence de 2.1 GHz [18]. De plus, ces tissus possèdent des
masses volumiques s’exprimant en kg/m3.
Tissus Conductivité Permittivité
Peau 1.35 40.89
Muscles 1.51 53.16
Graisse 0.09 5.32
Os 0.5 15.27
Moelle osseuse 0.080 5.34
Table 1.2 – Conductivité et permittivité de quelques tissus à la fréquence 2100
MHz.
1.1.2 La méthode de la FDTD
La quantification de l’absorption des ondes électromagnétiques dans un volume
tel qu’un corps humain requiert une résolution précise des équations aux dérivées
partielles caractérisant la propagation des ondes. Ces équations sont les équations
de Maxwell.
Plusieurs méthodes existent dans la littérature permettant de résoudre les équa-
tions de Maxwell. Dans le cadre de cette étude nous utiliserons la méthode de la
FDTD (Finite Difference in Time Domain). Cette méthode a montré ces avantages
dans beaucoup de problèmes en électromagnétisme notamment dans les milieux
fortement hétérogènes (comme dans notre cas un fantôme avec différents tissus bio-
logiques).
La FDTD permet la résolution directe des dérivées partielles des équations de
22
1.1. DOSIMÉTRIE NUMÉRIQUE
Maxwell. En ce qui concerne les dérivées partielles spatiales, elles sont approximées
par la méthode des différences finies du second ordre en utilisant le schéma de Yee
[49]. Pour les dérivées temporelles, on utilise un schéma de type saute mouton.
Le maillage utilisé est constitué de parallélépipèdes orthogonaux (uniformes ou
non-uniformes) et les calculs s’effectuent de manière itérative dans le domaine tem-
porel avec un pas constant. Cependant, le maillage parallélépipédique engendre le
problème du ’staircasing’ (c’est-à-dire que la surface du fantôme a une représentation
en marche d’escalier) qui n’est pas représentatif du lissage d’un corps humain.
La FDTD permet d’obtenir un résultat précis sous une contrainte de stabilité de
la méthode exigeant un pas de temps très petit. Le volume numérique est limité par
rapport à un cas réel qui représente un espace libre dans lequel les ondes peuvent se
propager à l’infini. Afin de simuler ce comportement d’espace libre, nous utilisons
des surfaces sur lesquelles nous imposons des conditions aux limites. Nous utilisons
au niveau de ces surfaces des couches de type PML (Perfectly Matched Layer) [4]
pour leurs caractéristiques d’absorption afin d’éviter des réflexions dans le volume.
La FDTD fournit le champ E induit dans chaque parallélépipède. Le SAR dans
chaque parallélépipède s’écrit en fonction du champ électrique E (exprimé en volts
par mètre, valeur crête), de la conductivité σ (exprimée en S/m) et la masse volu-
mique ρ (exprimée en kg/m3) sous la forme :
SAR =σ|E|22ρ
. (1.3)
Le SAR moyenné sur le corps entier (WBSAR) est égal à la puissance totale absorbée
ramenée à la masse du corps.
1.1.3 Les sources électromagnétiques
De nos jours, il existe beaucoup de sources électromagnétiques (téléphone mobile,
station de base...). Ces sources émettent des ondes électromagnétiques se propageant
dans l’espace et opérant à une fréquence donnée.
Une onde électromagnétique possède un vecteur caractérisant le champ électrique
23
CHAPITRE 1. DOSIMÉTRIE NUMÉRIQUE, PROBLÉMATIQUE ET OBJECTIFS
E et un vecteur caractérisant le champ magnétique H. Ces deux champs varient dans
le temps et dans l’espace.
Suivant l’usage des sources électromagnétiques, les ondes électromagnétiques
peuvent être proches du corps (comme le cas d’un usage de téléphone mobile) ou
loin du corps (station de base). Dans le cas d’un usage proche du corps nous parlons
de champ proche et dans le cas d’un usage de source loin du corps nous parlons de
champ lointain.
Dans le cadre de notre étude, nous allons utiliser une onde plane. Le champ
électromagnétique d’une onde plane dans le vide est transverse, c’est-à-dire que le
champ électrique et le champ magnétique sont perpendiculaires à la direction de
propagation et donc contenus dans le plan d’onde. L’onde plane peut modéliser une
source lointaine dans un petit volume.
1.2 Problématique, objectifs et matériels
1.2.1 Problématique et objectifs
Comme nous l’avons expliqué dans l’introduction, les niveaux de référence ont
été définis afin de garantir la conformité aux restrictions de base qui représentent
les limites fondamentales. Or, des études menées en dosimétrie numérique montrent
que ces niveaux de référence induisent des valeurs du WBSAR qui pourraient ne
pas être conservatives vis-à-vis des restrictions de base [11, 23, 24]. Cependant, ces
études utilisent peu de fantômes qui ne permettent pas de caractériser l’exposition au
sein d’une population. Notre objectif est alors d’étudier l’exposition à l’échelle d’une
population (c’est-à-dire caractériser la distribution du WBSAR dans une population
donnée). Dans une problématique de santé et de gestion des risques, nos efforts vont
se concentrer sur l’estimation d’un quantile du WBSAR qui correspond à 95 % d’une
population donnée.
En ce qui concerne la configuration d’exposition, nous avons choisi une onde plane
polarisée verticalement et orientée frontalement sur les fantômes avec une puissance
incidente de 1 W/m2 et une fréquence fixée à 2100 MHz.
24
1.2. PROBLÉMATIQUE, OBJECTIFS ET MATÉRIELS
Le choix de l’orientation de l’onde vient du fait que celle-ci induit un plus grand
WBSAR comparée aux autres directions.
En ce qui concerne la polarisation, nous avons choisi la polarisation verticale.
Cependant, des études récentes montrent que la polarisation verticale n’induit pas
forcément des valeurs de WBSAR plus élevées que les autres polarisations pour des
fréquences supérieures à 2 GHz [10, 22] .
En ce qui concerne cette fréquence, elle est choisie car d’une part, cette fréquence
est utilisée dans le domaine des télécommunications (WiFi, UMTS...) et d’autre part,
autour de cette fréquence les niveaux de référence pourraient ne pas être conservatifs
relativement aux restrictions de base.
L’ensemble des fantômes dont nous disposons n’est pas a priori un tirage aléatoire
représentatif de la population. Même, si cet ensemble de fantômes était un tirage
aléatoire d’une population, le faible nombre des fantômes ne permettrait pas de
caractériser avec précision l’exposition dans cette population. En effet, des méthodes
de type Monte Carlo ont une convergence très lente (O( 1√N) où N est la taille de
l’échantillon).
Afin d’estimer le quantile du WBSAR à 95 % dans une population donnée, l’idée
est de construire un modèle réduit pour le WBSAR. Ce modèle va lier les facteurs
morphologiques au WBSAR.
Un modèle réduit du WBSAR s’écrit de la manière générale suivante :
ywbsar =n∑
i=1
αifi(xi) + ǫ, (1.4)
où ywbsar est la valeur du WBSAR, (αi)i=1,..,n les paramètre inconnus, (fi)i=1,..,n
des fonctions continues, (xi)i=1,..,n les facteurs morphologiques et finalement ǫ est
l’erreur du modèle.
Les fantômes dont nous disposons vont permettre l’estimation des paramètres
inconnus du modèle (1.4).
Les données statistiques de la morphologie existant dans la littérature vont per-
mettre de construire la distribution statistique du WBSAR à travers la relation (1.4)
par des méthodes de type Monte Carlo. En effet, un tirage aléatoire d’un nombre im-
25
CHAPITRE 1. DOSIMÉTRIE NUMÉRIQUE, PROBLÉMATIQUE ET OBJECTIFS
portant de morphologies suivant des lois statistiques permet de surmonter le nombre
limité de fantômes. De plus, le modèle du WBSAR permettra d’estimer également
le WBSAR sans avoir recours aux outils de simulation numérique de type FDTD,
très coûteuses en temps de calcul.
Beaucoup d’études ont été menées afin de construire un modèle du WBSAR en
fonction des facteurs morphologiques [11, 23, 24]. Ces études se basent sur le fait que
plus la fréquence augmente, plus la longueur d’onde est petite, ce qui engendre une
absorption surfacique de l’onde électromagnétique par le corps humain. La figure
1.4 illustre l’aspect surfacique de l’absorption d’une onde plane pour des fréquences
dépassant 1 GHz.
Figure 1.4 – L’absorption d’une onde plane pour le fantôme Norman en fonction
de la fréquence.
Puisque l’absorption autour de 2 GHz est plutôt surfacique, nous pouvons sup-
poser que le WBSAR dépend du rapport entre la surface du corps et la masse.
De plus, des facteurs comme le BSA et le BMI sont des facteurs qui estiment
respectivement de manière empirique la surface et la corpulence d’un individu. Ces
facteurs pourraient être utilisés dans le modèle du WBSAR. Ce modèle sera construit
en utilisant la morphologie des fantômes dont nous disposons ainsi que la valeur du
26
1.2. PROBLÉMATIQUE, OBJECTIFS ET MATÉRIELS
WBSAR correspondante.
Le nombre de ces fantômes étant limité, afin d’agrandir la base de données des
fantômes nous disposons d’une technique appelée technique de morphing qui permet
de déformer les fantômes initiaux afin de les ramener à différentes morphologies.
Dans les sections suivantes nous allons décrire la technique de morphing ainsi
que les données anthropométriques qui vont nous permettre d’étudier l’exposition à
l’échelle d’une population.
1.2.2 La technique du morphing
Des techniques de morphing ont été développées et utilisées dans beaucoup
d’études [23, 24, 20, 21, 47, 48].
Aujourd’hui nous disposons de 8 modèles d’enfants. Cependant, il y a trois ans
nous ne disposions d’aucun modèle d’enfant obtenu par IRM. Dans le but d’étudier
l’exposition des enfants aux ondes électromagnétiques, la technique de morphing
a été mise en place. Cette technique permet de créer des nouveaux fantômes de
différentes morphologies à partir des fantômes initiaux. Elle permet également de
pallier le nombre limité de fantômes.
Cette méthode consiste à déformer par homothétie différentes parties du fantôme.
Cette déformation s’effectue en appliquant des coefficients de réduction à ces parties
du corps. Les parties déformées sont : la taille, la largeur des épaules, la profondeur
au niveau des épaules, la largeur des hanches et finalement la profondeur au niveau
des hanches.
Dans une étude précédente [20], la technique de morphing a été appliquée aux
modèles Norman, Visible Human, Etri, Zubal , Hanako et Taro. Ces fantômes ont
été déformés à différents âges (5, 8 et 12 ans). L’évolution des parties du corps
varient en fonction de l’âge. De plus, ces facteurs sont probablement corrélés. Or,
ces corrélations ne sont pas connues. Ces fantômes ont donc été réduits en prenant la
moyenne de différentes parties pour chaque classe d’âge. Ces moyennes sont extraites
du livre ’Auxologie, méthode et séquences’ [35].
Nous appellerons dans la suite l’ensemble des fantômes obtenus par la technique
27
CHAPITRE 1. DOSIMÉTRIE NUMÉRIQUE, PROBLÉMATIQUE ET OBJECTIFS
Figure 1.5 – Le fantôme coréen morphé à différents âges. De gauche à droite : Etri
morphé à l’âge de 5 ans, Etri morphé à l’âge de 8 ans, Etri morphé à l’âge de 12 ans
et Etri initial.
28
1.2. PROBLÉMATIQUE, OBJECTIFS ET MATÉRIELS
de morphing et le fantôme initial ’famille de fantômes‘. Comme le montre la figure 1.5,
les fantômes issus de la technique de morphing représentent une large variabilité des
facteurs morphologiques externes. Cependant, il existe des facteurs morphologiques
qui ne sont pas maîtrisables par cette technique. En effet, les facteurs morpholo-
giques internes et la masse du fantôme ne peuvent pas être pris en compte par cette
méthode. Ces facteurs sont calculés une fois le fantôme déformé.
Concernant l’évolution des facteurs morphologiques internes, nous avons comparé
les proportions des principaux tissus (peau, muscles, graisse et os) en fonction de
l’âge pour chaque famille de fantômes (exemple de la famille Zubal sur la figure 1.6).
Nous constatons que ces facteurs ne sont pas affectés par la technique de morphing.
En effet, les fantômes morphés conservent quasiment les mêmes proportions de tissus
principaux.
Figure 1.6 – Comparaison des facteurs internes pour la famille Zubal
Cette technique génère des fantômes de morphologie interne similaires.
29
CHAPITRE 1. DOSIMÉTRIE NUMÉRIQUE, PROBLÉMATIQUE ET OBJECTIFS
1.2.3 Données anthropométriques
Afin d’étudier l’exposition à l’échelle d’une population et d’en déduire le quantile
à 95 %, les données anthropométriques de la population étudiée sont importantes.
Les lois statistiques de ces données vont permettre d’étudier la représentativité des
fantômes dont nous disposons. En effet, la représentativité des fantômes va permettre
de vérifier la qualité du modèle que nous cherchons à établir. De plus, ces lois vont
être utilisées pour estimer la distribution du WBSAR en utilisant un modèle de type
(1.4).
1.2.3.1 Facteurs morphologiques internes
Nous appelons les facteurs morphologiques internes, les tissus internes qui com-
posent le corps humains. Il existe différents tissus dans le corps humain (muscles,
graisse, intestins...). Comme nous nous intéressons au WBSAR (Whole Body avera-
ged SAR) qui est une grandeur moyennée sur le corps entier, des facteurs de faibles
pourcentages du corps (cerveau, glandes...) ne sont pas significatifs puisque leur ab-
sorption est faible (entre 5 et 11 % de la puissance totale absorbée). Les facteurs
principaux qui peuvent impacter le WBSAR sont la peau (car ce facteur est le pre-
mier tissu que rencontre l’onde), la graisse, les muscles et les os. L’ensemble de ces
tissus représentent environ 80 % du corps entier. De plus, ils sont très variables chez
les fantômes dont nous disposons. Par exemple la proportion de muscles varient chez
les adultes de 32 % à 48 %. Il est donc possible que ces facteurs soient importants
dans la construction d’un modèle du WBSAR.
Dans la littérature, il n’existe presque pas de données statistiques de ces facteurs
morphologiques internes. Néanmoins, il existe quelques valeurs moyennes fournies
par l’ICRP (International Commission on Radiological Protection). Les moyennes
ont été extraites d’une population d’adultes regroupant un échantillon de la popu-
lation nord-américaine et un échantillon de la population européenne. La taille de
l’échantillon est égale à 20000 [46]. Les moyennes sont données par sexe pour les
masses de peau, graisse, muscles et os.
Nous avons comparé les moyennes (hommes et femmes) données par l’ICRP
30
1.2. PROBLÉMATIQUE, OBJECTIFS ET MATÉRIELS
avec la moyenne et la médiane calculées sur les fantômes. Les résultats de cette
comparaison sont donnés dans les tableaux 1.3 et 1.4.
Tissus Moyenne ICRP Moyenne fantômes Médiane fantômes
Hommes Hommes Hommes et femmes
Peau (kg) 3.3 5.78 (+43 %) 5.48 (40 %)
Muscles (kg) 29 34.02 (+15 %) 34.51 (+16 %)
Graisse (kg) 14.6 17.34 (+16 %) 14.38 (-2 %)
Os (kg) 10.5 10.91 (+4 %) 11.71 (+10 %)
Table 1.3 – Comparaison de la moyenne des masses des facteurs internes des fan-
tômes avec celle de l’ICRP.
Tissus Moyenne ICRP Moyenne fantômes Médiane fantômes
Femmes Femmes Hommes et femmes
Peau (kg) 2.3 3.27 (+30 %) 3.28 (+30%)
Muscles (kg) 17.5 20.26 (+14 %) 20.82 (+16 %)
Graisse (kg) 18 18.36 (+2 %) 16.75 (-8 %)
Os (kg) 7.8 8 (+2.5 %) 8.54 (+9 %)
Table 1.4 – Comparaison de la moyenne des masses des facteurs internes des fan-
tômes avec celle de l’ICRP.
Les résultats des tableaux 1.3 et 1.4 montrent que l’erreur relative obtenue is-
sue de la comparaison des moyennes des muscles, graisse et os de l’ICRP avec les
moyennes et médianes des fantômes est inférieure à 19 %. Ceci montre que géné-
ralement les fantômes adultes sont relativement proches et concentrés autour de la
moyenne de la population de l’ICRP concernant ces tissus. Les différences obser-
vées pourraient provenir de l’origine des fantômes (deux fantômes coréens et fan-
tôme japonais parmi 7 fantômes hommes et une femme japonaise parmi 3 fantômes
femmes) qui ne sont pas issus de la population nord-américaine et européenne à
laquelle l’échantillon de l’ICRP appartient.
Afin d’éviter l’influence du maillage, tous les fantômes ont été remaillés à 2 mm3.
Ces fantômes ont des maillages initiaux différents. Par exemple, le fantôme Etri est
31
CHAPITRE 1. DOSIMÉTRIE NUMÉRIQUE, PROBLÉMATIQUE ET OBJECTIFS
maillé initialement à 3 mm3. Le fait de les remailler à 2 mm3 surestime son épaisseur
initiale à au moins 4 mm. De plus, l’ICRP a fourni la moyenne de cette épaisseur qui
est égale 1.4 mm. Cette surestimation de l’épaisseur de la peau explique l’importante
variabilité de la masse de ce tissu comparée à la moyenne de la population de l’ICRP.
1.2.3.2 Facteurs morphologiques externes
En ce qui concerne ces facteurs morphologiques externes, des facteurs comme la
taille, la masse, le BMI et le BSA peuvent impacter le WBSAR et être utilisés pour
construire un modèle du WBSAR.
Il existe beaucoup de données statistiques sur ces facteurs pour différentes popu-
lations [37, 31, 36]. Ces données sont classées par origine, âge ou sexe. Cependant, les
différents facteurs morphologiques constituant le corps humain sont probablement
corrélés, mais cette corrélation n’est jamais donnée.
Les informations statistiques fournies par la littérature sont généralement la
moyenne, l’écart-type et quelques fois des quantiles.
Les lois de ces facteurs vont permettre de comparer les facteurs morphologiques
des fantômes avec différentes populations, nous devons avoir les lois statistiques de
ces facteurs dans les populations. Pour déterminer les lois qui pourraient estimer
ces différents facteurs, nous avons utilisé les données statistiques fournies dans la
littérature avec des quantiles et nous avons employé la méthode de la droite de Henry
(QQplot : Quantile to Quantile plot) [38]. Cette droite permet de vérifier visuellement
si les quantiles théoriques d’une loi donnée comparés aux quantiles de l’échantillon
sont cohérentes. Dans le cas où ces quantiles sont alignés, la loi théorique estime
la loi inconnue du facteur. La droite de Henry indique que la plupart des facteurs
morphologiques externes suivent une loi normale. Les figures 1.7 et 1.8 montrent
l’adéquation de la loi normale avec la loi inconnue du BMI des indiens hommes âgés
de 20-24 ans [31] et la masse des italiens hommes âgés de 65-84 ans [36].
Les figures 1.7 et 1.8 montrent que généralement les facteurs morphologiques
externes suivent des loi normales. Cependant, ce postulat peut ne pas être vrai pour
certaines populations.
32
1.2. PROBLÉMATIQUE, OBJECTIFS ET MATÉRIELS
−5 0 55
10
15
20
25
30
35
40
Quantiles de la loi normale centrée réduite
Qu
an
tile
s d
u B
MI d
e l‘é
ch
an
tillo
n in
die
n
Figure 1.7 – Comparaison du BMI de l’échantillon des indiens hommes avec la loi
normale
30 40 50 60 70 80 90 100 11030
40
50
60
70
80
90
100
110
Quantile de la loi normale
Qu
an
tile
de
la
ma
ss
e d
e l
’éc
ha
nti
llo
n i
tali
en
Figure 1.8 – Comparaison de la masse de l’échantillon des italiens hommes avec la
loi normale
33
CHAPITRE 1. DOSIMÉTRIE NUMÉRIQUE, PROBLÉMATIQUE ET OBJECTIFS
Grâce aux efforts mis en oeuvre par notre entité de recherche, nous avons pu
obtenir récemment (mars 2009) une base de données anthropométrique regroupant
des mesures de différents facteurs morphologiques de 3800 individus. Les facteurs
qui ont été mesurés sont la taille, la masse, la hauteur entre jambe, la largeur de
l’épaule gauche, la largeur de l’épaule droite, la carrure devant, la carrure dos, le tour
de poitrine et le tour de ceinture. Les lois de ces facteurs ont été estimées en utilisant
la droite de Henry. Nous avons déduit que ces lois sont normales ou log-normales.
Les figures 1.9 et 1.10 montrent l’histogramme de la taille et de la masse de cet
échantillon, les lois utilisées pour les estimer ainsi que la matrice de corrélation de
ces facteurs.
140 150 160 170 180 190 2000
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
Stature (cm)
Den
sité
Histogramme de la stature
Estimation par la loi normale
Figure 1.9 – Histogramme de la taille de l’échantillon de la population française
34
1.2. PROBLÉMATIQUE, OBJECTIFS ET MATÉRIELS
40 60 80 100 120 140 160 1800
0.005
0.01
0.015
0.02
0.025
0.03
Masse (Kg)
De
ns
ité
Masse
Log−normale
Figure 1.10 – Histogramme de la masse de l’échantillon de la population française
Rappelons que les densités de la loi normale et de la loi log-normale sont données
respectivement par :
ϕNµ,σ(x) =
1√2π
exp
(
−(x− µ)2
2σ2
)
, (1.5)
et
ϕLNµ,σ (x) =
1xσ√2π
exp
(
−(ln(x)− µ)2
2σ2
)
. (1.6)
où µ et σ sont les paramètres de ces densités. Ces paramètres peuvent être estimés
par maximum de vraisemblance en utilisant l’échantillon du facteur morphologique.
Notons (xi)i=1,...,n l’échantillon de la taille par exemple. Nous savons que la loi la
plus adaptée à cet échantillon est la loi normale. La vraisemblance s’écrit :
L(µ, σ, (xi)i=1,...,n) =n∏
i=1
ϕNµ,σ(xi), (1.7)
L’estimation des paramètres de la loi normale par maximum de vraisemblance
en utilisant l’échantillon (xi)i=1,...,n est obtenue en résolvant le système :
35
CHAPITRE 1. DOSIMÉTRIE NUMÉRIQUE, PROBLÉMATIQUE ET OBJECTIFS
∂L(µ, σ, (xi)i=1,...,n)∂µ
= 0, (1.8)
∂L(µ, σ, (xi)i=1,...,n)∂σ
= 0. (1.9)
La solution de ce système pour la loi normale s’écrit :
µ =1n
n∑
i=1
xi, (1.10)
σ2 =1n
n∑
i=1
(xi − µ)2. (1.11)
La même démarche permet d’obtenir les paramètres de la loi log-normale.
En ce qui concerne, la corrélation, nous constatons qu’il existe une tendance
linéaire entre chaque couple de facteurs (figure 1.11).
40 60 80 100 120 140 160 180 200155
160
165
170
175
180
185
190
195
200
205
Masse (Kg)
Sta
ture
(cm
)
Figure 1.11 – Tendance linéaire entre la masse et la carrure devant
Afin d’estimer le coefficient de corrélation entre deux facteurs morphologiques
notés X et Y dont les échantillons sont notés (xi)i=1,...,n et (yi)i=1,...,n, nous utilisons
la corrélation empirique :
36
1.2. PROBLÉMATIQUE, OBJECTIFS ET MATÉRIELS
ρij =
n∑
i=1
(xi − x)(yi − y)√
√
√
√
n∑
i=1
(xi − x)2√
√
√
√
n∑
i=1
(yi − y)2, (1.12)
où x =
n∑
i=1
xi
net y =
n∑
i=1
yi
n.
Nous constatons que la loi d’un facteur donné peut changer d’une population
à l’autre. En effet, la masse de l’échantillon italien semble suivre une loi normale
(figure 1.8) tandis que ce même facteur suit une loi log-normale pour l’échantillon
de la population française (figure 1.10)
En ce qui concerne la représentativité des fantômes du point de vue de leurs
facteurs morphologiques externes, les fantômes ont été comparés aux différentes
populations. Généralement les fantômes ne sont pas représentatifs des différentes
populations. Afin d’étudier cette représentativité, nous avons utilisé le test non-
paramétrique de Kolmogorov-Smirnov [38]. Ce test permet d’évaluer si un échantillon
provient d’une population donnée caractérisée par sa distribution statistique. Le test
de Kolmogorov-Smirnov permet de choisir entre deux hypothèses :
H0 : l’échantillon provient de la loi connue.
H1 : l’échantillon ne provient pas de cette loi.
Ce test donne une valeur qu’on appelle p-valeur qui représente la probabilité avec
un risque que l’on fixe à 0.05. Une p-valeur supérieur typiquement à 0.05 accepte
l’hypothèse nulle H0.
Le test est appliqué aux différents facteurs et différentes populations. Le tableau
(1.5) montre les résultats de comparaison des facteurs des fantômes adultes avec le
BMI, la masse et la taille de respectivement des populations indienne (hommes),
italienne (hommes) et française (hommes et femmes).
Nous remarquons que d’après le tableau 1.5, la représentativité des fantômes
dépend de la population étudiée et du facteur choisi. En effet, l’échantillon des
fantômes est représentatif pour la population française et la population italienne
mais non représentatif de la population indienne.
37
CHAPITRE 1. DOSIMÉTRIE NUMÉRIQUE, PROBLÉMATIQUE ET OBJECTIFS
Facteurs BMI Masse Taille
Indiens Italiens Français
p-valeur du KStest 0.02 0.63 0.57
Table 1.5 – Représentativité des fantômes adultes comparés à quelques populations
1.3 Conclusion du chapitre
Dans ce chapitre, nous avons présenté les idées générales relatives à la dosimétrie
numérique, le matériel ainsi que le contexte de cette étude. En ce qui concerne la
dosimétrie, celle-ci permet de quantifier l’absorption des ondes électromagnétiques
par les tissus biologiques humains. Pour le matériel, nous avons présenté les différents
fantômes disponibles sur lesquels il est possible de quantifier l’absorption des ondes
via la métrique du SAR. Une des méthodes numériques permettant de résoudre
avec précision les équations de Maxwell a été présentée. Celle-ci est fondée sur les
différences finies (Finite Difference in Time Domain).
En ce qui concerne la problématique de l’étude, nous avons vu que les études
menées dans le cadre d’une exposition à une onde plane arrivant frontalement sur
le fantôme et respectant les niveaux de référence pouvait induire un WBSAR qui
était très proche des restrictions de base autour d’une fréquence de 2100 MHz.
Notre objectif alors est de déterminer le quantile du WBSAR à 95 % dans une po-
pulation. Cependant, le nombre limité des fantômes ne permet pas de trouver ce
quantile. L’idée est donc de construire un modèle réduit du WBSAR en fonction de
la morphologie. Ce modèle combiné à des données statistiques sur la morphologie
va permettre la détermination de ce quantile. C’est pourquoi nous avons décrit les
facteurs morphologiques qui pourrait impacter le WBSAR. Ces facteurs morpholo-
giques peuvent être externes (taille, masse, BMI ou BSA) et internes (proportions
de muscles de graisses).
Nous avons introduit la technique de morphing permettant de déformer un fan-
tôme donné afin de le ramener à une morphologie différente et donc a priori d’élargir
notre base de données de fantômes. Cependant, nous constatons que cette technique
n’agit pas sur les tissus internes en engendrant des proportions de tissus internes
38
1.3. CONCLUSION DU CHAPITRE
pratiquement identiques.
Nous avons vu que dans littérature il existait quelques données statistiques des
facteurs morphologiques externes dont nous avons pu extraire des lois statistiques.
De plus, nous avons pu obtenir une base de données anthropométriques compre-
nant des mesures de 3800 individus grâce aux nombreuses collaborations de l’équipe
WAVE. Celle-ci a permis de mieux caractériser ces lois. Cependant, ces lois peuvent
changer en fonction de la population. Nous avons effectué la comparaison des données
morphologiques des fantômes avec les lois des différentes populations afin de savoir
si les fantômes pouvent être considérés comme un tirage aléatoire de ces différentes
populations. Le but de cette analyse est de vérifier la représentativité des fantômes
ce qui permettra d’avoir une idée sur la qualité du modèle. En effet, si l’échantillon
des fantômes est représentatif d’une population donnée, le modèle construit en uti-
lisant ces fantômes sera pertinent. Les résultats de cette comparaison montre que la
représentativité des fantômes dépend de la population et des facteurs.
En ce qui concerne les facteurs morphologiques internes, la variabilité des tis-
sus d’un fantôme à l’autre peut également impacter le modèle du WBSAR que
nous cherchons à établir. Néanmoins, nous ne disposons pas de données statistiques
sur ces facteurs morphologiques exceptées quelques moyennes données par l’ICRP.
La comparaison des moyennes des fantômes avec les moyennes de l’ICRP pour les
hommes montre que généralement la moyenne des fantômes correspond à la moyenne
de l’ICRP (à l’exception d’une différence sur la masse de peau qui est due à la seg-
mentation de 2 mm des fantômes qui ne correspond pas à l’épaisseur de peau de 1.2
mm mesurée sur l’échantillon de l’ICRP). Par ailleurs, nous constatons une grande
différence en ce qui concerne la comparaison des moyennes de fantômes avec celles
de l’échantillon des femmes de l’ICRP. Ceci est dû au faible nombre des fantômes
femmes dont nous disposons.
Dans le chapitre suivant, nous allons décrire le WBSAR avec des facteurs mor-
phologiques. Pour ce faire, nous allons utiliser les fantômes dont nous disposons. Ce
modèle va nous permettre d’estimer le quantile du WBSAR à 95 %. Pour détermi-
ner ce quantile à 95 %, nous allons intégrer les connaissances que nous avons sur le
39
CHAPITRE 1. DOSIMÉTRIE NUMÉRIQUE, PROBLÉMATIQUE ET OBJECTIFS
terme qui s’écrit en fonction de ces facteurs. Deux approches alors seront proposées.
La première consiste à utiliser des lois paramétriques usuelles afin de voir l’influence
de celles-ci sur le quantile du WBSAR à 95 %. La deuxième approche consiste à
modéliser le terme dépendant de la morphologie interne par un mélange de gaus-
siennes. Les paramètres de ce mélange de gaussiennes vont être estimés de manière
à maximiser le quantile du WBSAR à 95 %.
40
Chapitre 2
Estimation d’un quantile du
WBSAR
2.1 Construction d’un modèle linéaire du WB-
SAR
Notre objectif est de déterminer un quantile du WBSAR pour une population
d’adultes. Pour ce faire, nous disposons d’un ensemble de dix huit fantômes. Ce-
pendant, le nombre de ces fantômes est limité et ne permet pas d’appliquer des
méthodes usuelles d’estimation de quantile. L’idée est donc de construire un modèle
paramétrique du WBSAR en fonction de la mprphologie à partir duquel l’inférence
d’un quantile sera effectué.
2.1.1 Facteurs morphologiques externes influençant le WB-
SAR
Des études menées dans le cadre d’une exposition à une onde plane orientée fron-
talement sur le corps à une fréquence autour de 2100 MHz [11, 23, 24] soulignent
la variabilité du WBSAR (SAR moyenné sur le corps entier) due à celle de la mor-
phologie. De plus, ces études montrent que dans le domaine des hautes fréquences,
le WBSAR est approximativement proportionnel à la surface du corps éclairée par
41
CHAPITRE 2. ESTIMATION D’UN QUANTILE DU WBSAR
l’onde.
À partir de cette relation de proportionnalité, il est donc possible de construire un
modèle du WBSAR uniquement en fonction des facteurs morphologiques externes.
Cependant, ces études sont fondées sur des fantômes obtenus par déformation en uti-
lisant la technique du morphing (section 1.1.1) ou des fantômes homogènes (un seul
tissu équivalent remplaçant tous les tissus biologiques du corps) ou des géométries
équivalentes au corps humain (ellipsoïdes). Ces fantômes homogènes ou géométries
simples ne tiennent pas compte de la variabilité des tissus internes dans un corps hu-
main. Donc, pour des fantômes hétérogènes issus d’IRM, il est possible que d’autres
facteurs influencent le WBSAR.
Un modèle du WBSAR peut être donné par la relation linéaire (2.1)
ywbsar = αx+ ǫ, (2.1)
où ywbsar est le WBSAR, α un paramètre inconnu, x le facteur morphologique re-
présentant la surface du corps divisée par la masse et enfin ǫ est l’erreur du modèle.
Comme nous l’avons expliqué auparavant, nous cherchons à combiner le modèle
(2.1) et les données statistiques sur la morphologie des populations pour donner une
estimation de la distribution du WBSAR et en particulier du quantile à 95 % de
cette distribution. Néanmoins, il n’existe pas de données statistiques de la surface du
corps humain pour les populations. Par contre, il existe un estimateur empirique de
la surface totale de la peau qui est fortement corrélé avec la surface éclairée du corps,
il s’agit du BSA (Body Surface Area). Pour une incidence donnée (par exemple :
incidence frontale, cf. figure 2.1), le BSA est fortement corrélé avec la surface éclairée
du corps. En effet, la corrélation entre la surface éclairée et le BSA est égale à 0.98.
La figure 2.1 montre la relation de l’évolution entre le BSA et la surface éclairée des
12 fantômes adultes dont nous disposons pour une incidence frontale.
42
2.1. CONSTRUCTION D’UN MODÈLE LINÉAIRE DU WBSAR
0.2 0.3 0.4 0.5 0.6
0.8
1
1.2
1.4
1.6
1.8
2
2.2
2.4
Surface éclairée (m²)
BS
A (
m²)
Figure 2.1 – Evolution du BSA en fonction de la surface éclairée pour l’incidence
frontale
Cette forte corrélation entre la surface éclairée et le BSA nous permet d’utiliser
ce dernier dans le modèle du WBSAR. Puisque le WBSAR est proportionnel à la
surface éclairée du corps divisée par la masse, le BSA ramené à la masse peut être
utilisé afin de construire un modèle du WBSAR.
Nous pouvons dégager un deuxième facteur qui peut également remplacer la
surface éclairée divisée par la masse. Ce facteur est déduit à partir de considérations
de dimensionalité. En effet, d’une part, la surface éclairée s’exprime en mètres carrés
et d’autre part, la masse est un volume multiplié par une masse volumique. Cette
masse volumique varie en fonction des tissus du corps. De manière générale la densité
volumique du corps ne varient pas beaucoup, sa moyenne est d’environ 1100 kg/m3
dans un corps humain avec un écart-type de 287 kg/m3 [18, 27]. Les valeurs extrêmes
sont atteintes par la graisse et la moelle osseuse qui ont respectivement des densités
de 655 et de 1990. Si nous considérons la masse volumique des tissus constante, la
masse sera homogène à un volume s’exprimerant en m3.
Notons d une dimension donnée. Nous avons ainsi la proportionnalité décrite par
43
CHAPITRE 2. ESTIMATION D’UN QUANTILE DU WBSAR
(2.2).
Surface
Masse(m2/kg) ∝ d2
d3=1d
(2.2)
En assimilant la dimension d à la masse à la puissance 13, nous déduisons ainsi
un troisième facteur (c’est-à-dire masse−13 ). De plus, ce facteur est également forte-
ment corrélé à la surface éclairée divisée par la masse (figure 2.2). Dans une autre
publication [32], les propriétés dimensionnelles ont été utilisées pour construire une
relation du BSA en fonction uniquement de la masse. En effet, dans la formule du
BSA proposée dans cette publication, la taille du corps est remplacée par la masse
à la puissance 23. Cette formule est donnée comme suit :
BSA(m2) = 0.1020p0.6854,
où p est la masse (exprimé en kg).
Ceci confirme le choix du facteur que nous utilisons dans un modèle du WBSAR.
5 6 7 8 9 10 11 12 13
x 10−3
0.2
0.22
0.24
0.26
0.28
0.3
0.32
0.34
0.36
0.38
Surface éclairée ramenée à la masse
Masse à
la p
uis
san
ce −
1/3
Figure 2.2 – Corrélation entre la masse à la puissance -1/3 et la surface éclairée
par les adultes
44
2.1. CONSTRUCTION D’UN MODÈLE LINÉAIRE DU WBSAR
Dans la littérature [23], nous trouvons le facteur BMI utilisé pour construire
un modèle du WBSAR pour des fréquences autour de 70 MHz. Cette fréquence
est appelée "fréquence de résonance". Elle correspond à la fréquence où la taille du
fantôme est égale à λ2(λ la longueur) d’onde. Le corps humain se comporte comme
une antenne réceptrice à sa résonance. Cette publication montre également que le
BMI est un bon facteur pour prédire le WBSAR dans cette région de résonance.
Puisque l’inverse du facteur BMI s’exprime en fonction de la même unité que la
surface éclairée ramenée à la masse (m2/kg), nous avons comparé l’inverse du BMI
avec la surface éclairée ramenée à la masse (figure 2.3). Nous constatons qu’ils sont
fortement corrélés avec un coefficient de corrélation égale à 0.98. Nous avons choisi
d’utiliser l’inverse du BMI dans le modèle du WBSAR.
5 6 7 8 9 10 11 12 13
x 10−3
0.03
0.035
0.04
0.045
0.05
0.055
0.06
0.065
0.07
0.075
Inverse d
u B
MI
Surface éclairée ramenée à la masse
Figure 2.3 – Corrélation entre la surface éclairée et l’inverse du BMI des fantômes
adultes pour l’incidence frontale
Nous avons ainsi déterminé trois facteurs fortement corrélés à la surface divisée
par la masse et pouvant intervenir dans le modèle 2.1. Les trois modèles faisant
intervenir les trois facteurs (respectivement BSAmasse
, l’inverse du BMI et la masse à la
puissance −13) se formalisent par les équations (2.3), (2.4) et (2.5).
45
CHAPITRE 2. ESTIMATION D’UN QUANTILE DU WBSAR
ywbsar1 = αxbsa + ǫ1, (2.3)
ywbsar2 = βxbmi + ǫ2, (2.4)
ywbsar3 = γxmasse + ǫ3, (2.5)
où ywbsar1 , ywbsar
2 et ywbsar3 sont les trois valeurs du WBSAR ainsi modélisées, α, β et γ
sont les trois paramètres inconnus des modèles, xbsa, xbmi et xmasse sont les facteurs
décrivant respectivement BSAmasse
, l’inverse du BMI et la masse à la puissance −13et
ǫ1, ǫ2 et ǫ3 sont les erreurs associées aux modèles.
Afin d’estimer les paramètres inconnus α, β et γ, nous utilisons l’ensemble des
fantômes disponibles. Les fantômes disponibles pendant cette étude sont Norman,
Etri, Hanako, Taro, Visible Human, Zubal, Naomi, HDRK et les adultes de la Virtual
Family (Ella et Duke).
Afin de rendre le modèle du WBSAR plus générique, nous allons intégrer les
enfants de la Virtual Family (Billie et Thelonious). Le modèle que nous cherchons
à établir permettra de prédire le WBSAR pour une population d’adultes et le fait
d’ajouter les enfants pour ajuster les paramètres α, β et γ va permettre au modèle
de prédire le WBSAR pour des populations avec des morphologies très variables
(par exemple les adultes de petite taille).
Nous avons utilisé un critère quadratique pour estimer les paramètres inconnus.
Nous utilisons également le test de Student. Ce test permet de mesurer si les facteurs
du modèle sont significatifs ou non. Pour ce faire, nous testons l’hypothèse que le
paramètre associé à chaque facteur soit nul. Ce test produit une valeur appelée
’p-valeur’. Une p-valeur inférieure à 0.05 permet de rejeter cette hypothèse, ce qui
signifie que les paramètres sont significativement non nuls. L’intervalle de confiance
à 95 % des paramètres est également calculé.
Finalement le coefficient R2 est calculé. Ce coefficient permet de montrer la
capacité du modèle à expliquer la variabilité initiale des données. Plus le coefficient
est proche de 1 le modèle décrit une large propagation de cette variabilité initiale.
46
2.1. CONSTRUCTION D’UN MODÈLE LINÉAIRE DU WBSAR
Les résultats obtenus sur les trois modèles sont donnés dans le tableau 2.1.
Valeur t-test Intervalle
Modèles du paramètre estimé p-valeur de confiance à 95 % R2
Modèle (2.3)[
BSAmasse
]
0.25 10−11 [0.21, 0.28] 0.78
Modèle (2.4) [BMI−1] 0.15 10−11 [0.14, 0.16] 0.87
Modèle (2.5)[
masse−13
]
0.027 10−6 [0.0235, 0.03] 0.67
Table 2.1 – Résultats obtenus par les modèles.
Comme le montre le tableau 2.1, les paramètres estimés par la méthode des
moindres carrés sont significatifs au sens du test de Student. En ce qui concerne
la qualité des modèles, le modèle (2.4) est de meilleure qualité comparé aux deux
autres (R2 plus élevé). De plus, le calcul de l’écart-type associé à l’estimation des
paramètres divisé par l’estimation des paramètres donne la plus petite variabilité
pour le modèle (2.4) (cette variabilité est de 5.5 %, 4 % et 6.5 % respectivement
pour les paramètres α, β et γ). Cependant, l’estimation du WBSAR des fantômes
par les trois modèles génèrent des erreurs importantes (± 40 %).
Les trois facteurs intervenant dans les trois modèles sont très significatifs d’un
point de vue statistique mais insuffisants pour donner une bonne estimation du
WBSAR des fantômes.
Afin de réduire l’erreur importante engendrée par ces trois modèles, nous devons
introduire de nouveaux facteurs. Par ailleurs, puisque les facteurs BSAmasse
, BMI−1 et
masse−13 sont significatifs au sens du test de Student pour les trois modèles, nous
allons conserver ces facteurs dans les trois modèles.
Nous avons introduit différents facteurs morphologiques externes. L’intérêt d’uti-
liser des facteurs morphologiques externes vient du fait que dans la littérature
[35, 37, 36, 31] il existe des données statistiques de populations pour ces facteurs.
Les facteurs que nous avons utilisés sont : la largeur des épaules, la profondeur des
épaules, la largeur de la ceinture et la profondeur à la ceinture. Nous avons utilisé
différentes combinaisons de ces différents facteurs afin d’améliorer ces modèles (rap-
port de ces facteurs, produits ...). Ces différentes combinaisons n’ont pas permis de
47
CHAPITRE 2. ESTIMATION D’UN QUANTILE DU WBSAR
0 2 4 6 8 10 12−30
−20
−10
0
10
20
30
40
fantômes
Err
eu
r re
lati
ve(%
)Modèle (2.3)
Modèle (2.4)
Modèle (2.5)
Figure 2.4 – Erreur relative issue de l’estimation du WBSAR des fantômes par les
trois modèles
réduire l’erreur induite sur l’estimation WBSAR des fantômes.
Dans la section suivante, les modèles en fonction du BSAmasse
(2.3), BMI−1 (2.4)
et masse−13 (2.5) vont être appliqués aux familles de fantômes. Comme expliqué
au paragraphe 1.2.2, une famille est constituée d’un fantôme initial et les enfants
issus de celui-ci par la technique de morphing. Cette procédure va nous permettre
de mesurer l’impact des facteurs morphologiques internes et d’améliorer les trois
modèles. Si nous obtenons une bonne estimation du WBSAR pour les familles de
fantômes, cela montrera que les facteurs à introduire pour améliorer les modèles sont
les facteurs morphologiques internes.
2.1.2 Facteurs morphologiques internes influençant le WB-
SAR
Dans la section précédente, nous avons essayé d’établir différents modèles du
WBSAR en fonction des facteurs morphologiques externes. Des données statistiques
sur ces facteurs morphologiques externes peuvent être trouvées dans la littérature
48
2.1. CONSTRUCTION D’UN MODÈLE LINÉAIRE DU WBSAR
[35, 37, 36, 31] contrairement aux facteurs morphologiques internes pour lesquels
nous ne trouvons que quelques moyennes fournies par l’ICRP [46].
Les modèles (2.3), (2.4) et (2.5) décrits dans la section précédente ont été appli-
quées aux familles de fantômes. Les trois modèles permettent de donner une bonne
estimation du WBSAR pour chaque famille de fantômes. Les figures 2.5, 2.6 et 2.7
montrent les différentes régressions obtenues pour les familles de fantôme
0.02 0.025 0.03 0.035 0.04 0.045 0.052
4
6
8
10
12
14x 10
−3
BSA/poids
WB
SA
R (
W/k
g)
famille Taro
famille Hanako
famille Zubal
VH famille
famille Norman
famille Etri
Figure 2.5 – Application du modèle (2.3) pour les différentes familles de fantômes.
49
CHAPITRE 2. ESTIMATION D’UN QUANTILE DU WBSAR
0.03 0.04 0.05 0.06 0.07 0.082
4
6
8
10
12
14x 10
−3
BMI(−1)
WB
SA
R (
W/K
g)
famille VH
famille Taro
famille Hanako
famille Norman
famille Etri
famille Zubal
Figure 2.6 – Application du modèle (2.4) pour les différentes familles de fantômes.
0.2 0.25 0.3 0.35 0.4 0.45
4
6
8
10
12
14
x 10−3
Masse à la puissance −1/3
WB
SA
R (
W/K
g)
VH famille
JM famille
JF famille
Norman famille
Korean famille
Zubal famille
Figure 2.7 – Application du modèle (2.5) pour les différentes familles de fantômes.
50
2.1. CONSTRUCTION D’UN MODÈLE LINÉAIRE DU WBSAR
Avec l’application de ces modèles par famille de fantômes, l’erreur relative maxi-
male est de l’ordre de 12 %, 9 % et 14 % respectivement pour les modèles (2.3),
(2.4) et (2.5) (l’erreur que nous obtenons en utilisant l’ensemble des fantômes est de
l’ordre de 40 %).
L’estimation des paramètres des modèles (2.3), (2.4) et (2.5) pour chaque famille
est donnée dans le tableau 2.2.
familles α (R2) β (R2) γ (R2)
famille Norman 0.24 (0.99) 0.15 (0.95) 0.0027 (0.99)
famille Etri 0.17 (0.92) 0.11 (0.84) 0.0019 (0.93)
famille Zubal 0.21 (0.94) 0.13 (0.90) 0.0023 (0.94)
famille VH 0.22 (0.97) 0.15 (0.92) 0.0024 (0.96)
famille Taro 0.25 (0.99) 0.16 (0.91) 0.0029 (0.99)
famille Hanko 0.28 (0.96) 0.16 (0.88) 0.0031 (0.96)
Table 2.2 – Estimations des paramètres des modèles pour chaque famille de fan-
tômes.
L’estimation des paramètres des modèles (2.3), (2.4) et (2.5) en utilisant une
famille de fantômes donnée engendre une faible erreur sur l’estimation du WBSAR
au sein de chaque famille. Cette faible erreur pourrait s’expliquer par la quasi-égalité
des tissus internes, en termes de proportions. Cependant, pour un ensemble de fan-
tômes avec des proportions de tissus internes différentes, ces facteurs pourraient être
importants et devraient être introduits dans les modèles du WBSAR. Par ailleurs,
pour un ensemble de fantômes différents, ces proportions sont variables et cette va-
riabilité doit être prise en compte en introduisant ces facteurs dans les modèles du
WBSAR.
Ceci nous amène à penser que les trois paramètres α, β et γ des modèles (2.3),
(2.4) et (2.5) dépendent des facteurs morphologiques internes.
Afin de vérifier cette hypothèse, nous allons essayer de construire un modèle des
paramètres α, β et γ en fonction des facteurs morphologiques internes. Ce modèle
51
CHAPITRE 2. ESTIMATION D’UN QUANTILE DU WBSAR
va nous permettre d’identifier l’influence de ces facteurs.
Dans le but de construire un tel modèle, nous utilisons les {αi}, {βi} et {γi}calculés analytiquement sur les 12 fantômes dont nous disposons (par exemple pour
les αi en divisant le WBSAR calculé par la FDTD par le facteur BSA/poids). Comme
expliqué à la section 1.2.2, la peau, les muscles, la graisse et les os constituent les
tissus qui jouent le plus grand rôle sur l’exposition globale.
Nous avons établi les modèles (2.6), (2.7) et (2.8) pour représenter les paramètres
α, β et γ.
αM = ξα0 + ξα1xp + ξα2xm + ξα3xg + ξα4xo + ǫα, (2.6)
βM = ξβ0 + ξβ1xp + ξβ2xm + ξβ3xg + ξβ4xo + ǫβ, (2.7)
γM = ξγ0 + ξγ1xp + ξγ2xm + ξγ3xg + ξγ4xo + ǫγ, (2.8)
où αM , βM et γM sont respectivement les valeurs de α, β et γ, xp, xm et xg et xo sont
les facteurs décrivant respectivement les proportions de peau, de muscles, de graisse
et d’os, (ξαj)j=1,...,4, (ξβj
)j=1,...,4 et (ξαj)j=1,...,4 les paramètres inconnus des modèles
(2.6), (2.7) et (2.8) et finalement, ǫα, ǫβ et ǫγ les erreurs associées à ces modèles.
Les paramètres (ξαj)j=1,...,3, (ξβj)j=1,...,3 et (ξγj)j=1,...,3 sont estimés par la mé-
thode des moindres carrés en utilisant les (αi)i=1,...,12, (βi)i=1,...,12 et (γi)i=1,...,12. Le
tableau 2.3 montre les estimées des paramètres et les p-valeurs associées ainsi que
le coefficient de détermination de ces modèles. Les p-valeurs montrent que les pa-
ramètres des modèles sont significativement non nuls. De plus, les 3 coefficients R2
des modèles sont égaux à 0.9 ce qui montre une bonne qualité des modèles.
52
2.1. CONSTRUCTION D’UN MODÈLE LINÉAIRE DU WBSAR
Modèle (2.6) Modèle (2.7) Modèle (2.8)
Estimation p-valeurs Estimation p-valeurs Estimation p-valeurs
ξ.0 1.146 10−5 0.55 10−5 0.155 10−5
ξ.1 -2.03 10−3 -0.97 10−3 -0.24 10−3
ξ.2 -1.05 10−4 -0.45 10−4 -0.13 10−4
ξ.3 -1.06 10−4 -0.43 10−4 -0.13 10−4
ξ.4 -0.61 0.03 -0.35 10−3 -0.07 0.04
R2 0.89 0.91 0.89
Table 2.3 – Résultats obtenus pour les différents modèles des paramètres
Nous remarquons également que le nombre de paramètres peut être réduit de 5
à 2 paramètres. En effet, pour les modèles (2.6), (2.7) et (2.8), les paramètres de
chaque modèle suivent des relations de proportionnalité (ξ.,2 ≈ 12ξ.,1, ξ.,2 ≈ ξ.,3 et
ξ.,2 ≈ 53ξ.,4).
À partir de cette constatation, les différents modèles peuvent être réécrits en
fonction de seulement deux paramètres. Les modèles équivalents aux (2.6), (2.7) et
(2.8) sont donnés respectivement par (2.9), (2.10) et (2.11).
αN = να0 + να1(2xp + xm + xg +35
xo) + ǫα, (2.9)
βN = νβ0 + νβ1(2xp + xm + xg +35
xo) + ǫβ, (2.10)
γN = νγ0 + νγ1(2xp + xm + xg +35
xo) + ǫγ, (2.11)
Comme le montre le tableau 2.4, ces nouveaux modèles donnent pratiquement
les mêmes résultats que les modèles (2.6), (2.7) et (2.8) (en termes de coefficient
R2). De plus, l’erreur relative maximale obtenue de l’estimation des αi, βi et γi des
fantômes par les modèles (2.9), (2.10) et (2.11) est respectivement égales à 13 %, 9
% et 15 %.
53
CHAPITRE 2. ESTIMATION D’UN QUANTILE DU WBSAR
Modèle (2.9) Modèle (2.10) Modèle (2.11)
Estimation p-valeurs Estimation p-valeurs Estimation p-valeurs
ν.0 1.08 10−7 0.52 10−7 0.155 10−7
ν.1 -0.98 10−5 -0.43 10−5 -0.24 10−5
R2 0.89 0.87 0.88
Table 2.4 – Résultats obtenus pour les différents modèles équivalents des paramètres
Afin de s’assurer de l’aspect génériques des modèles (2.9), (2.10) et (2.11) com-
parés aux modèles (2.6), (2.7) et (2.8), nous avons estimés les paramètres de ces
modèles sur toutes les combinaisons de 9 fantômes parmis 12. Les figures 2.8 et 2.9
montrent l’exemple de toutes les estimations des paramètres des modèles (2.6) et
(2.9) respectivement.
54
2.1. CONSTRUCTION D’UN MODÈLE LINÉAIRE DU WBSAR
0 50 100 150 200 250−4
−3
−2
−1
0
1
2
Combinaison de 9 fantômes parmi 12
Estimation des paramètres
Figure 2.8 – Estimation des paramètres du modèle (2.6) pour les combinaisons de
9 fantômes parmi 12
0 50 100 150 200 250−1.5
−1
−0.5
0
0.5
1
1.5
Combinaison de 9 fantômes parmi 12
Estimation des paramètres
Figure 2.9 – Estimation des paramètres du modèle (2.9) pour les combinaisons de
9 fantômes parmi 12
55
CHAPITRE 2. ESTIMATION D’UN QUANTILE DU WBSAR
Ces deux figures montrent que les paramètres du modèle (2.9) sont plus stables
que le modèle (2.9). Nous obtenons des résultats similaires pour les autres modèles.
Les modèles (2.9), (2.10) et (2.11) font intervenir les facteurs morphologiques
internes, ils ne peuvent être utilisés pour prédire le quantile du WBSAR à 95 %
(car nous n’avons pas de données statistique de cette morphologie). Néanmoins,
ces modèles montrent l’importance de ces facteurs pour construire un modèle du
WBSAR.
Au cours de cette thèse, notre base de donnée a été élargie avec des nouveaux
fantômes enfants (Karla, garçon coréen, Roberta, Eartha, Dizzy et Louis), nous
avons testé la robustesse de ces modèles en prédisant les paramètres α, β et γ de ces
nouveaux fantômes par ces modèles. Les résultats de cette prédiction sont donnés
dans le tableau (2.5).
α α erreur r. β β erreur r. γ γ erreur r.
(%) (%) (%)
Karla 0.24 0.28 15 0.16 0.15 7 0.03 0.026 17
garçon cor. 0.26 0.30 13 0.17 0.16 6 0.033 0.028 15
Roberta 0.29 0.32 -10 0.19 0.18 4 0.037 0.032 14
Eartha 0.29 0.32 -10 0.18 0.16 10 0.0036 0.032 11
Dizzy 0.29 0.29 1 0.17 0.15 9 0.034 0.033 4
Louis 0.25 0.25 -1 0.14 0.15 -2 0.029 0.027 -6
Table 2.5 – Prédiction des modèles (2.9), (2.10) et (2.11) pour les nouveaux fan-
tômes
Ce test de validation permet de montrer que les trois modèles sont relativement
robustes. Par exemple l’erreur relative de l’estimation du paramètre β en utilisant
les 12 fantômes est de 13 % et l’erreur relative maximale de prédiction en utilisant
les nouveaux fantômes d’enfants est de 15 %. La prédiction de ces modèles augmente
l’erreur de seulement 2 % par rapport à l’estimation faite en utilisant les 12 fantômes
(fantômes qui ont permis l’estimation des paramètres ν.0, ν.1).
La section 2.1 montre que la construction d’un modèle du WBSAR requiert à la
56
2.2. DÉTERMINATION DU QUANTILE DU WBSAR À 95% POUR LA POPULATIONFRANÇAISE ÂGÉE DE 20 ANS
fois les facteurs morphologiques externes et les facteurs morphologiques internes. En
effet, l’utilisation des familles de fantômes nous a permis d’identifier l’influence des
facteurs morphologiques internes. Cependant, ces modèles ne peuvent pas être utili-
sés pour trouver le quantile à 95 % du WBSAR pour une population donnée. Pour
déterminer le quantile du WBSAR à 95 % pour une population, nous avons besoin de
données statistiques concernant les facteurs morphologiques qui interviennent dans
les modèles du WBSAR ainsi que les corrélations croisées de ces facteurs. Or, les don-
nées statistiques sur les facteurs morphologiques internes ne sont pas fournies dans
la littérature, excepté des moyennes données par l’ICRP. Par ailleurs, nous avons
montré qu’un modèle du WBSAR s’écrit comme le produit d’un paramètre dépen-
dant des facteurs morphologiques internes multiplié par un facteur morphologique
externe. Nous avons vu que le paramètre intervenant dans le modèle du WBSAR est
variable d’un fantôme à l’autre (car il dépend des tissus internes qui sont variables
d’un fantôme à l’autre). Ce paramètre peut être considéré comme étant une variable
aléatoire dont la loi est inconnue et dont les fantômes résultant d’un tirage aléatoire
de cette loi. Le nombre des fantômes limité ne permet pas de déterminer toute la
distribution de ce paramètre en raison de la lente convergence de la méthode de
Monte Carlo. De plus, la plupart de ces fantômes ont été construits de manière à
correspondre à la moyenne de la population dont ils proviennent.
Dans la section suivante nous allons utilier les connaissances physiques ainsi que
les informations fournies par les fantômes (moyenne) afin de donner une estimation
au quantile du WBSAR à 95 % pour une population donnée. Pour ce faire, nous
allons considérer les paramètres comme étant des variables aléatoires dont nous
cherchons à approcher la loi.
2.2 Détermination du quantile du WBSAR à 95%
pour la population française âgée de 20 ans
Dans cette section nous allons introduire les connaissances physiques que nous
avons sur le paramètre dépendant de la morphologie interne et les informations
57
CHAPITRE 2. ESTIMATION D’UN QUANTILE DU WBSAR
fournis par les fantômes. Nous allons aussi intégrer des informations tirées des dis-
tributions des facteurs morphologiques externes de la base de données anthropomé-
trique (section 1.2.3), en supposant que les facteurs morphologiques internes aient le
même comportement que les facteurs morphologiques externes. Cependant, toutes
ces informations ne permettrons pas de déterminer la distribution de ce paramètres.
Nous proposons, dans un premier temps différentes lois paramétriques (Normale,
log-normale, ...) pour le paramètre dépendant des facteurs morphologiques internes
afin de mesurer l’influence de ces lois sur le quantile du WBSAR à 95 % pour une
population donnée.
Ensuite, nous proposerons une méthode qui consiste à approcher la loi inconnue
du paramètre par un mélange de gaussiennes. Cette approche va nous permettre
d’obtenir une distribution permettant de maximiser le seuil du WBSAR à 95 %.
Les modèles que nous avons décrits auparavant s’écrivent comme le produit d’un
paramètre dépendant des facteurs morphologiques internes avec une variables aléa-
toire représentant les facteurs morphologiques externes. Cependant, les paramètres
des modèles peuvent être considérés comme des variables aléatoires dont la loi est
inconnue (due à la variabilité de ces paramètres chez les fantômes).
2.2.1 Connaissances a priori sur le paramètre dépendant des
facteurs morphologiques internes
Les facteurs morphologiques externes qui influencent le WBSAR sont le BSA/masse,
l’inverse du BMI ou encore la masse à la puissance −13. Pour cette étude, nous avons
choisi le modèle en fonction de l’inverse du BMI, car l’estimation du paramètre as-
socié à ce modèle par la relation (2.10) génère la plus faible erreur (tableau 2.5).
Dans ce qui suit nous allons considérer une relation déterministe pour le modèle du
WBSAR. Ce modèle est réécrit dans l’équation (2.12).
ywbsar = βxbmi, (2.12)
où ywbsar est la valeur du WBSAR, β le paramètre dépendant des facteurs morpho-
logiques internes et xbmi le facteur décrivant l’inverse du BMI.
58
2.2. DÉTERMINATION DU QUANTILE DU WBSAR À 95% POUR LA POPULATIONFRANÇAISE ÂGÉE DE 20 ANS
En ce qui concerne le paramètre β, nous disposons de quelques connaissances
physiques. En effet, puisque le WBSAR et le facteur xbmi sont positifs, le paramètre
β est une grandeur positive. De plus, nous savons que ce paramètre est borné car le
WBSAR et le facteurs sont des grandeurs bornées (du simple fait que la morpho-
logie de la population humaine est bornée). Ces deux connaissances physiques sont
données par (2.13) et (2.14).
β > 0, (2.13)
β ∈ [βinf , βsup], (2.14)
où βinf est la borne inférieure et βsup la borne supérieure.
Les fantômes dont nous disposons ont été pour la plupart construits de manière
à correspondre à la moyenne de la population dont ils proviennent (HDRK est "High
Definition Reference Korean" et Naomi est "aNAtOMIcal woman"). De ce fait, nous
supposons que la moyenne de la variable aléatoire β est celle des βi des fantômes.
De plus, le paramètre β dépend des proportions des principaux tissus du corps
(proportion de peau, de muscles, de graisse et d’os). Ces proportions ont les mêmes
valeurs chez les enfants que chez les adultes. En effet, les différentes régressions
obtenues pour chaque famille de fantômes montrent que le paramètre dépendant de
la morphologie interne est identique pour pour les enfants et les adultes. De plus, les
nouveaux fantômes enfants ont des proportions de principaux tissus internes dans la
plage de variations des adultes. D’où l’intégration des enfants avec les adultes pour
estimer la moyenne de β. Cette moyenne est donnée par (2.15)
E(β) ≈
18∑
i=1
βi
18≈ 0.15, (2.15)
Nous savons que le paramètre β est positif. Nous choisissons alors comme borne
inférieure, la borne zéro (2.16).
βinf = 0, (2.16)
59
CHAPITRE 2. ESTIMATION D’UN QUANTILE DU WBSAR
L’acquisition de la base de données anthropométriques, nous a permis de consta-
ter un comportement symétrique autour de la moyenne pour la plupart des facteurs
morphologiques externes. La figure 2.10 montre que généralement la distance entre
la moyenne et le quantile à 5 % est presque égale à la distance entre la moyenne et
le quantile à 95% en ce qui concerne les facteurs morphologiques externes provenant
de la base de données anthropométriques. D’où le choix de la borne supérieure égale
à 2E(β) (équation (2.17)) . La borne supérieure βsup, est alors choisie symétrique
par rapport à la moyenne.
βsup = 0.3, (2.17)
0 10 20 30 400
10
20
30
40
moyenne − Quantile à 5%
Qu
an
tile
à 9
5%
− m
oyen
ne
Figure 2.10 – comparaison de la distance entre la moyenne et le quantile à 5 % et
la distance entre la moyenne et le quantile à 95 %
Enfin nous supposerons l’indépendance entre le paramètre β et la variable aléa-
toire x.
Pour donner une estimation du quantile du WBSAR à 95 % deux approches se-
ront utilisées. La première approche consiste à estimer la loi de la variable aléatoire
β en utilisant différentes lois usuelles et en y intégrant les connaissances a priori.
60
2.2. DÉTERMINATION DU QUANTILE DU WBSAR À 95% POUR LA POPULATIONFRANÇAISE ÂGÉE DE 20 ANS
Cette approche va permettre de mesurer l’influence de ces lois sur ce quantile.
L’idée de la deuxième approche est de modéliser la loi du paramètre β par un mé-
lange de gaussiennes et d’estimer en utilisant les connaissances a priori les différents
paramètres de ce mélange afin de trouver une distribution permettant de rechercher
un pire cas pour quantile du WBSAR à 95 %.
Pour mettre en œuvre ces deux approches, nous avons choisi d’étudier la po-
pulation française âgée de 20 ans [37]. Pour cette population, nous disposons de la
moyenne (22.29 kg/m2) et de l’écart-type (2.9 kg/m2) du BMI. Nous avons montré
dans la section 1.1.1 que le BMI suit raisonnablement une loi normale. Nous allons
considérer que le facteur BMI de cette population suit une loi gaussienne.
Puisque la loi du paramètre β est inconnue, nous allons tester différentes lois
paramétriques afin de comparer les résultats du WBSAR à 95 %.
2.2.2 Estimation du quantile du WBSAR à 95 % par des
lois usuelles
Dans cette section, nous allons utiliser différentes lois paramétriques pour le
paramètre β, puisque la loi de ce dernier n’est pas connu. Ces lois sont : la loi
Normale, Log-normale, Gamma, Beta et Weibull.
Toutes ces lois possèdent deux paramètres à estimer (cf. annexe C). Ces para-
mètres vont être estimés en fonction des connaissances énoncées dans la sous-section
2.2.1.
Notons Fa,b la fonction de répartition d’une loi paramétrique donnée modélisant
la variable aléatoire β où a et b sont ses deux paramètres.
Quelle que soit la loi paramétrique choisie, les deux paramètres qui la décrivent
sont reliés par la moyenne de la variable aléatoire (équation (2.18)).
E(β) = g(a, b), (2.18)
où a et b sont les paramètres de la loi choisie et g est une fonction continue reliant
les paramètres à la moyenne.
61
CHAPITRE 2. ESTIMATION D’UN QUANTILE DU WBSAR
Puisque la moyenne de la variable aléatoire β est supposée connue (équation
2.15), l’estimation d’un seul paramètre suffit pour estimer toute la distribution de
la variable aléatoire β. Prenons le paramètre a par exemple et notons Fa au lieu de
Fa,b la fonction de répartition.
Afin d’intégrer les hypothèses sur les bornes de β (équations (2.16) et (2.17)),
nous proposons de minimiser la fonction coût donnée par l’équation (2.19).
J(a) = (Fa(βsup)− 0.9999)2 + (Fa(βinf)− 0.0001)2, (2.19)
Le premier terme à droite dans l’équation (2.19) minimise la distance au carré
entre la borne supérieure βsup et le quantile à 99.99 % et le deuxième terme minimise
la distance entre la borne inférieure et le quantile à 0.01 %.
Afin d’obtenir un optimum a pour le paramètre a, nous utilisons une minimisa-
tion de type descente de gradient. La valeur b est déterminée à partir de l’optimum
a du paramètre inconnu a via l’équation (2.18).
Cette méthodologie nous a permis de déterminer les paramètres a et b des lois
testées. Les différentes densités de probabilité obtenues en utilisant ces différentes
lois pour la variable aléatoire β sont données dans la figure 2.11.
Les valeurs du paramètre β calculées empiriquement en utilisant les fantômes
(compris entre [0.11, 0.18]) se trouvent bien dans le support de ces différentes lois. Il
s’en suit qu’aucune loi ne peut être écartée puisqu’elles respectent nos connaissances.
Afin de déterminer le quantile du WBSAR à 95 %, nous échantillonnons dans
un premier temps la variable aléatoire β (paramètre dépendant de la morphologie
interne) (annexe C) suivant la loi usuelle choisie pour cette variable que nous notons
(βi)i=1,...,n. Ensuite, nous échantillonnons le BMI qui suit une loi normale (les pa-
ramètres de cette loi normale sont ceux de la population française agée de 20 ans).
Notons l’inverse de l’échantillon issu du BMI, (xi)i=1,...,n (échantillons de taille 106).
Le rapport(
βi
xi
)
i=1,...,nest un échantillon de WBSAR puisque nous avons supposé
l’indépendance entre le paramètre β et l’inverse du BMI. Les résultats du quantile
du WBSAR à 95 % issus de la modélisation la variable aléatoire β par les différentes
lois ainsi que les paramètres a et b des lois utilisées pour β sont décrits dans le
62
2.2. DÉTERMINATION DU QUANTILE DU WBSAR À 95% POUR LA POPULATIONFRANÇAISE ÂGÉE DE 20 ANS
0 0.05 0.1 0.15 0.2 0.25 0.3 0.350
5
10
15
Beta
Den
sit
é
Gamma
Weibull
Log−normale
Beta
Normale
Figure 2.11 – Lois utilisées pour modéliser la distribution de la variable aléatoire
β
tableau 2.6.
Nous constatons que la valeur du quantile du WBSAR à 95 % n’est pas très
sensible à la loi choisie pour le paramètre β. En effet, la valeur de ce quantile varie
entre 9.8 et 11 mW/kg.
Pour établir ces résultats nous avons supposé que le paramètre β et l’inverse du
BMI étaient indépendants. Cette indépendance n’est vraisemblablement pas vraie
puisque les tissus internes représentés par β et le facteur externe représenté par x
sont probablement dépendants. De plus, nous avons observé que le paramètre β est
corrélé avec le WBSAR pour les fantômes existant (figure 2.12). Cette corrélation
est égale à −0.7.
L’utilisation des lois paramétriques usuelles permet de relâcher cette hypothèse
en utilisant la transformation de Nataf [25] décrite par les étapes suivantes :
– Echantillonnage d’un couple de variables aléatoires Z = (Z1, Z2) gaussiennes
centrées réduites corrélées avec un coefficient de corrélation noté ρ.
63
CHAPITRE 2. ESTIMATION D’UN QUANTILE DU WBSAR
1er 2ème quantile du WBSAR à 95 %
paramètre paramètre (mW/kg)
Loi Normale 0.1448 0.05172 11
Loi Gamma 19.37 0.0075 10
Loi Bêta 14.70 86.8 9.8
Loi Log-normale -1.95 0.222 9.9
Loi Weibull 3.568 0.1608 10.5
Table 2.6 – Influence des différentes lois modélisant la variable aléatoire β sur le
quantile à 95 %
10 15 20 25 30 350.1
0.12
0.14
0.16
0.18
BMI
Beta
Figure 2.12 – Corrélation entre le paramètre β et le BMI
64
2.2. DÉTERMINATION DU QUANTILE DU WBSAR À 95% POUR LA POPULATIONFRANÇAISE ÂGÉE DE 20 ANS
– Calcul des quantiles des deux variables aléatoire Z1 et Z2 par la fonction de
répartition de la loi normale normale centrée réduite : F (Z) = U = (U1, U2)
où F est la fonction de répartition de la loi normale centrée réduite.
– Inverse de la fonction de répartition de la loi choisie pour le paramètre β à la
variable U1 afin de récupérer un échantillon de ce paramètre. Nous faisons de
même pour la variable U2 afin de récupérer un échantillon du facteur BMI.
De plus, nous avons observé que la corrélation entre le paramètre β et le facteur
BMI présente une tendance négative (cf. figure 2.12). Cependant, la vraie corrélation
étant inconnue, nous avons donc testé toutes les corrélations possibles entre -1 et 0.
La figure 2.13 montre l’évolution du quantile du WBSAR à 95 % en fonction
de la corrélation entre le BMI et le paramètre β. Cette figure montre que plus la
corrélation est forte (c’est-à-dire un coefficient de corrélation proche de −1) plus lequantile à 95 % est élevé.
−1 −0.8 −0.6 −0.4 −0.2 00.0095
0.01
0.0105
0.011
0.0115
0.012
0.0125
0.013
0.0135
Corrélation
Quantile du W
BSAR à 95 %
Beta~Beta
Beta~Gamma
Beta~Log−normale
Beta~Weibull
Beta~Normale
Figure 2.13 – Evolution du quantile du WBSAR à 95 % en fonction des coefficients
de corrélations et des lois utilisées
65
CHAPITRE 2. ESTIMATION D’UN QUANTILE DU WBSAR
Dans cette section, nous avons caractérisé le quantile du WBSAR à 95 % dans
la population française âgée de 20 ans en utilisant des lois usuelles paramétriques
pour décrire la loi du terme dépendant de la morphologie interne. Les quantiles à
95 % issus de ces différentes lois représentent une faible variabilité quelle que soit
la loi utilisée. Cependant, il existe d’autres qui pourraient être compatibles avec les
informations dont nous disposons et donneraient d’autres estimations au quantile.
Cette approche permet donc de donner une idée sur l’estimation de ce quantile.
Cependant, nous ne connaissons pas la loi usuelle permettant de donner une "borne
maximale" de ce quantile. Dans le but d’obtenir une distribution pour le paramètre
β permettant de maximiser le quantile du WBSAR à 95 %, dans la section suivante
le paramètre β va être modélisé par un mélange de gaussiennes.
2.2.3 Maximisation du quantile du WBSAR à 95 % par un
mélange de gaussiennes
Puisque nous ne connaissons pas la loi du paramètre β permettant d’obtenir une
bonne estimation de ce quantile, nous proposons une approche qui consiste à trouver
une loi qui permet de maximiser le quantile du WBSAR à 95 %. Cette approche
consiste à modéliser le paramètre β par un mélange de gaussiennes. Les paramètres
de ce mélange de gaussiennes vont être optimisés afin de respecter les connaissances
dont nous disposons et de maximiser le quantile du WBSAR à 95 %. Des contraintes
seront introduites au fur et à mesure afin de trouver des distributions respectant les
connaissances a priori dont nous disposons.
La densité de la variable aléatoire β modélisée par ce mélange est donnée par
l’équation (2.20)
66
2.2. DÉTERMINATION DU QUANTILE DU WBSAR À 95% POUR LA POPULATIONFRANÇAISE ÂGÉE DE 20 ANS
Pβ(β) =n∑
i=1
piϕmi,σi(β), (2.20)
n∑
i=1
pi = 1, (2.21)
pi ≥ 0,∀i, (2.22)
ϕmi,σi(β) =
1√2πσi
exp
−12
(
β −mi
σi
)2
, (2.23)
où n est le nombre de gaussiennes, pi, mi et σi sont respectivement les poids, les
moyennes et les écarts-type de la ième gaussienne.
Pour estimer les différents paramètres du mélange de gaussiennes afin de maxi-
miser le quantile à 95 %, nous allons donner l’expression de la fonction de répartition
du WBSAR.
La relation décrivant le WBSAR en fonction de la morphologie est donnée par
l’équation (2.12). Rappelons que cette relation s’écrit :
ywbsar = βxbmi,
où ywbsar est la valeur du WBSAR, β paramètre dépendant de la morphologie interne
et xbmi le facteur décrivant l’inverse du BMI.
Nous avons choisi d’étudier le BMI de la population française âgée de 20 ans. Nous
rappelons que ce BMI est supposé suivre une loi gaussienne de moyenne mX = 22.29
et d’écart-types σX = 2.9. La densité de l’inverse du BMI est bien définie puisque le
BMI est une grandeur strictement positive. La densité de probabilité de l’inverse de
la loi gaussienne est donnée par (2.24).
fX|mX ,σX(x) =
1√2πσX
1x2exp
−12
(
1x−mX
σX
)2
(2.24)
La fonction de répartition du WBSAR est donnée par l’équation (2.25).
FY (y) = E(1Y≤y), (2.25)
où FY est la fonction de répartition du WBSAR et
67
CHAPITRE 2. ESTIMATION D’UN QUANTILE DU WBSAR
1Y≤y(y) =
1 si y ≤ y
0 sinon(2.26)
La fonction de répartition du WBSAR est calculée en utilisant l’espérance condi-
tionnelle. c’est-à-dire :
FY (y) = E(1Y≤y),
= Eβ(E(1Y≤y)|β),
=∫ +∞
0
∫
R
PX|β(x)P(β)dxdβ,
(2.27)
où PX|β est la densité de probabilité de la variable aléatoire X connaissant la valeur
de la variable aléatoire β et P(β) est la densité de probabilité de la loi β modélisée
par le mélange de gaussiennes.
L’équation y = βX nous permet de réécrire le terme∫+∞
0 PX|β(x)dx comme suit :
∫ +∞
0PX|β(x)dx =
∫β
y
0fX|mX ,σX
(x)dx, (2.28)
L’intégration de l’expression (2.28) dans (2.27) donne :
FY (y) =∫
β
y
0
∫
R
fX|mX ,σX(x)
n∑
i=1
piϕmi,σi(β)dxdβ,
=n∑
i=1
pi
∫
R
Φ
(
ymX − β
yσX
)
ϕmi,σi(β)dβ,
(2.29)
où Φ(x) = 12(1 + erf( x√
2)).
L’intégrale dans (2.29) ne peut être obtenue analytiquement. Un développement
de Taylor d’ordre 2 au voisinage des mi est envisagé. Ce développement de Taylor
permettra de donner une approximation de la fonction de répartition du WBSAR.
Cette approximation permettra ensuite de calculer le quantile du WBSAR à 95%.
Notons gmX ,σX(y, β) = ymX−mi
yσX. Ce développement donne :
68
2.2. DÉTERMINATION DU QUANTILE DU WBSAR À 95% POUR LA POPULATIONFRANÇAISE ÂGÉE DE 20 ANS
FY (y) ≈n∑
i=1
pi
∫
R
(Φ ◦ gmX ,σX)(y, mi) +
2∑
p=1
(β −mi)p∂p(Φ ◦ gmX ,σX
)∂βp
(y, mi)
ϕmi,σi(β)dβ
(2.30)
où Φ ◦ gmX ,σX= Φ(gmX ,σX
).
Le terme ∂(Φ◦gmX ,σX)
∂β(y, mi)
∫
R
(β −mi)ϕmi,σi(β)dβ dans (2.30) s’annule car :
∫
R
βϕmi,σi(β)dβ = mi
.
Et le calcul du terme ∂2(Φ◦gmX ,σX)
∂β2 (y, mi)∫
R
(β −mi)2ϕmi,σi(β)dβ donne :
∂2(Φ ◦ gmX ,σX)
∂β2(y, mi)
∫
R
(β−mi)2ϕmi,σi(β)dβ = −σ2
i
ymX −mi√2πy3σ3
X
exp
−12
(
ymX −mi
yσX
)2
(2.31)
L’expression finale de l’estimation de la fonction de répartition Fy est donnée par
l’équation (2.32).
FY (y) ≈n∑
i=1
pi
Φ
(
ymX −mi
yσX
)
− σ2i
ymX −mi√2πy3σ3
X
exp
−12
(
ymX −mi
yσX
)2
(2.32)
Les contraintes énoncées dans la section 2.2.1 doivent être prises en compte.
Afin de garantir l’appartenance du support de la loi du paramètre β au support
borné [βinf , βsup] (contrainte (2.14)), il suffit de choisir les moyennes mi réparties
de manière uniforme dans cet intervalle et de contraindre les écart-types associés à
toutes les gaussiennes appartenant au mélange. Nous écrivons ces contraintes comme
suit :
mi =βsup − βinf
n + 1i, où i = {1, ..., n} (2.33)
mi − 3σi ≥ βinf , avec i = {1, ..., n} (2.34)
69
CHAPITRE 2. ESTIMATION D’UN QUANTILE DU WBSAR
mi + 3σi ≤ βsup, avec i = {1, ..., n} (2.35)
Les contraintes (2.34) et (2.35) garantissent que 99.74 % de la densité de proba-
bilités reste dans l’intervalle [βinf , βsup].
La contrainte sur la moyenne de la variable β est intégrée en utilisant l’expression
suivante :
E(β) =n∑
i=1
pimi (2.36)
Pour obtenir les poids pi et σi permettant d’obtenir une loi qui maximise le
quantile du WBSAR à 95 %, ce quantile doit être déterminé en fonction de ces
paramètres en résolvant l’équation (2.37).
FY (y) = 0.95, (2.37)
Cependant, la fonction de répartition FY ne peut être inversée analytiquement.
Afin de résoudre l’équation (2.37), nous proposons une résolution numérique en
utilisant l’algorithme de Newton-Raphson qui permet de calculer les racines d’une
fonction. Cette fonction sera dans notre cas y → FY (y)− 0.95.
La procédure de la maximisation s’effectue en suivant les étapes :
– Initialisation des paramètres inconnus pi0 et σi0
– Résolution de l’équation FY (ypi0,σi0)− 0.95 = 0
– Recherche des paramètres piq et σiq (à la qième itération) permettant de maxi-
miser le quantile ypi0,σi0et respectant les contraintes (2.33), (2.34), (2.35) et
(2.36). Pour cette maximisation nous avons choisi une maximisation de type
descente de gradient.
Cette méthode est appliquée en utilisant les données statistiques de la population
française âgée de 20 ans [37].
70
2.2. DÉTERMINATION DU QUANTILE DU WBSAR À 95% POUR LA POPULATIONFRANÇAISE ÂGÉE DE 20 ANS
Rappelons que l’expression de la fonction de répartition est obtenue en faisant
un développement de Taylor d’ordre 2 autour des moyennes des gaussiennes ap-
partenant au mélange. Ce développement de Taylor va permettre de donner une
estimation satisfaisante au voisinage de chaque moyenne dans le mélange. Cepen-
dant, pour obtenir une bonne estimation de toute la fonction de répartition (en
particulier le quantile à 95 %), il faut que le nombre de gaussiennes soit suffisant
pour donner une bonne estimation au quantile du WBSAR à 95 %. Afin de détermi-
ner ce nombre de gaussiennes, nous allons comparer le quantile du WBSAR à 95 %
obtenu par maximisation avec celui obtenu empiriquement, en fonction du nombre
de gaussiennes.
Le quantile du WBSAR à 95 % empirique est obtenu en échantillonnant le pa-
ramètre β et le facteur décrivant l’inverse du BMI (les échantillons ont une taille
de 50000). Puisque le paramètre β suit un mélange de gaussiennes, nous utilisons
l’algorithme de Metropolis-Hastings (Annexe B) pour effectuer cet échantillonnage
[8]. Comme nous supposons l’indépendance entre le paramètre β et le facteur qui
décrit l’inverse du BMI, la distribution du WBSAR est le produit de ces deux échan-
tillons. Le quantile du WBSAR à 95 % est alors obtenu empiriquement à partir de
la distribution du WBSAR.
Le tableau (2.7) donne la comparaison entre les deux quantiles (empirique et
estimé) du WBSAR à 95 % pour un mélange de 5, 10, 15, 20 et 25 gaussiennes. Pour
chaque mélange de gaussiennes l’algorithme d’optimisation est relancé plusieurs fois
en partant de différents points de départs (différents pi et σi).
Comme le montre le tableau 2.7, à partir d’un mélange de 5 gaussiennes nous
obtenons une bonne estimation du WBSAR à 95 %. Cependant, le quantile du WB-
SAR continue à augmenter en fonction du nombre de gaussiennes et se stabilise pour
un mélange de 20 gaussiennes. Cette augmentation est due à l’ajout des gaussiennes
dans le mélange de plus en plus proche de la borne supérieure (βsup = 0.3). Par
exemple pour un mélange de 5 gaussiennes la moyenne de la dernière gaussienne
est égale à 0.25 et pour un mélange de 25 gaussiennes la moyenne de la dernière
gaussienne est égale à 0.2885.
71
CHAPITRE 2. ESTIMATION D’UN QUANTILE DU WBSAR
nbre de gaussiennes quantile estimé quantile empirique
5 13.7 13.9
10 14.8 14.8
15 15.1 15.1
20 15.6 15.6
25 15.6 15.6
Table 2.7 – Comparaison du quantile du WBSAR à 95 % (mW/Kg) obtenu par
estimation avec celui obtenu par Monte Carlo
La figure 2.14 montre un exemple d’une densité de probabilités d’un mélange de
15 gaussiennes. Nous remarquons l’apparition de 2 gaussiennes correspondant aux
extrémités du support. En ce qui concerne des mélanges de gaussiennes avec un
nombre de gaussiennes différent, nous obtenons le même comportement.
0 0.05 0.1 0.15 0.2 0.25 0.30
5
10
15
20
25
30
35
Beta
Densité
Figure 2.14 – La densité de probabilité du paramètre β modélisé par un mélange
de 15 gaussiennes
Les valeurs obtenues pour les poids pi ne changent pas en fonction des points de
départs (nous utilisons plusieurs points de départs choisis aléatoirement). La figure
72
2.2. DÉTERMINATION DU QUANTILE DU WBSAR À 95% POUR LA POPULATIONFRANÇAISE ÂGÉE DE 20 ANS
2.15 montre les valeurs obtenues pour un mélange de 15 gaussiennes.
2 4 6 8 10 12 14−0.1
0
0.1
0.2
0.3
0.4
0.5
Poids
Figure 2.15 – Les poids obtenus pour un mélange de 15 gaussiennes
Les poids qui ne sont pas nuls sont ceux qui correspondent à la première et der-
nière gaussiennes qui apparaissent dans la densité de probabilités. Cependant, les
valeurs obtenues pour les paramètres σi varient en fonction des points de départs
(figure 2.16 montre les résultats obtenus par deux optimisations avec des points
initiaux différents). Néanmoins, les paramètres correspondant à la première et der-
nière gaussiennes ne changent pas en fonction des points de départ. De plus les seuls
poids non nuls correspondent à ces deux gaussiennes. Ceci explique le fait que nous
obtenons les mêmes densités de probabilités.
73
CHAPITRE 2. ESTIMATION D’UN QUANTILE DU WBSAR
0 5 10 150
0.01
0.02
0.03
0.04
0.05
sigma du mélange de 15 gaussiennes
1er tirage
2ème tirage
Figure 2.16 – Exemple de deux ensembles de σi obtenus en effectuant deux esti-
mations
Les densités de probabilités obtenues ne sont pas représentatives des fantômes
que l’on a. En effet, les β des fantômes appartiennent à l’intervalle [0.10, 0.18] et la
probabilités d’apparition de ces fantômes en utilisant ces densités de probabilité est
nulle. Or, nous cherchons une distribution qui permettra de donner une probabilité
d’apparition non nulle aux fantômes. De manière générale, la distribution obtenue ne
correspond pas aux distributions que nous obtenons sur d’autres facteurs humains
(nous avons une concentration de densité autour de la moyenne).
Afin d’éviter ce comportement non-représentatif de la population, nous allons
introduire une contrainte qui permettra d’obtenir des distributions avec une concen-
tration de densité autour de la moyenne.
2.2.3.1 Introduction d’une contrainte sur les poids du mélange
Afin d’éviter l’obtention de distributions dont le comportement est non-représentatif
des fantômes dont nous disposons, nous proposons d’ajouter une contrainte sur les
poids des gaussiennes dans le mélange. Cette contrainte va permettre d’ordonner les
74
2.2. DÉTERMINATION DU QUANTILE DU WBSAR À 95% POUR LA POPULATIONFRANÇAISE ÂGÉE DE 20 ANS
poids du mélange en ordre croissant jusqu’à un poids donné qu’on appelle mode et
au delà de ce mode les poids sont ordonnés en ordre décroissant.
L’introduction de cette contrainte va nous permettre d’éviter que les poids cor-
respondant à l’intervalle auquel appartiennent les β des fantômes soient nuls. Cette
contrainte est donnée par l’équation (2.38).
p1 ≤ ... ≤ pj et pj ≥ ... ≥ pn, (2.38)
où pj constitue le poids le plus élevé. Dans le cas où tous les σi sont égaux, cette
contrainte est appelée "contrainte d’unimodalité" dont pj est le mode.
Toutes les possibilités du choix du mode vont être testées (c’est-à-dire de p1 à
pn).
Cependant l’estimation du quantile du WBASR à 95 % peut être affectée par
l’introduction de cette nouvelle contrainte comparé à l’estimation de ce quantile
sans cette contrainte. En terme de stabilité du quantile du WBSAR à 95 %, nous
obtenons des résultats comparables à ceux obtenus sans cette contrainte (à partir de
20 gaussiennes nous obtenons une stabilité de quantile du WBSAR à 95 % estimé
comparé à celui empirique). Cependant la valeur du WBSAR à 95 % diminue avec
l’introduction de cette nouvelle contrainte. En effet, pour un mélange de 20 gaus-
siennes nous obtenons une valeur de 13.5 mW/kg (valeur correspondante à la valeur
maximale obtenue obtenue pour j = 1 dans (2.38)) au lieu de 15.6 mW/kg obtenu
sans la contrainte d’unimodalité.
La valeur du quantile du WBSAR à 95 % ne varie pas beaucoup en fonction du
mode choisi. En effet, cette valeur varie entre 13.2 mW/kg et 13.5 mW/kg.
La répétition de l’optimisation en partant de différents points initiaux (choisis
aléatoirement) aboutit aux mêmes poids. Par contre, les valeurs des écarts-types
σi varient avec le choix des points initiaux. Néanmoins, les valeurs du quantile du
WBSAR à 95 % ne changent pas.
75
CHAPITRE 2. ESTIMATION D’UN QUANTILE DU WBSAR
0 0.05 0.1 0.15 0.2 0.25 0.30
5
10
15
20
25
30
35
Beta
Figure 2.17 – Densités de probabilité obtenues pour un mélange de 15 gaussiennes
Rappelons que le paramètre β est un paramètre qui représente les facteurs mor-
phologiques internes (peau, muscles, graisse et os). Nous obtenons, des distributions
avec des fluctuations locales (figure 2.17). Ces fluctuations sont dues à la forte va-
riabilité des valeurs de σi obtenues par optimisation. Or, les facteurs humains pour
lesquels nous avons des données statistiques ne présentent pas de fluctuations locales
(taille, masse,...)(cf. section 1.2.3).
Afin de supprimer les fluctuations locales au niveau des densités de probabilités,
nous allons introduire une nouvelle contrainte.
2.2.3.2 Introduction de la contrainte de la variance
Nous allons introduire une contrainte sur la variance du paramètre β qui consiste
à imposer une borne à celle-ci. Le fait d’introduire une borne maximale pour cette
variance va permettre d’obtenir des densités concentrées autour de la moyenne et
devrait peut-être permettre de diminuer les fluctuations locales observées précédem-
ment.
Pour ce faire, nous devons calculer l’expression analytique de cette variance.
76
2.2. DÉTERMINATION DU QUANTILE DU WBSAR À 95% POUR LA POPULATIONFRANÇAISE ÂGÉE DE 20 ANS
Cette variance est donnée par (2.39).
var(β) =∫
R
(β − E(β))2n∑
i=1
piϕmi,σi(β)dβ,
=n∑
i=1
pim2i +
n∑
i=1
piσ2i − (
n∑
i=1
pimi)2,
(2.39)
La contrainte s’écrit alors :
n∑
i=1
pim2i +
n∑
i=1
piσ2i − (
n∑
i=1
pimi)2 ≤ borne, (2.40)
Plus nous choisissons une borne faible, plus les pj pour lesquels l’optimisation
aboutit se réduisent. Quand cette borne est fixée à 5.10−4 nous obtenons un résultat
pour un seul pj. En effet, pour les autres modes nous obtenons une violation des
contraintes. La figure (2.18) montre la densité de probabilités issue de cette optimi-
sation pour un mélange de 20 gaussiennes. La valeur du quantile du WBSAR à 95
% est de 10.8 mW/kg. Cette valeur est comparables à celles obtenues avec des lois
paramétriques usuelles (cf. section 2.2.2)
La densité de probabilité obtenue présente moins de fluctuations que celles que
nous avons obtenues en introduisant seulement la contrainte sur les poids du mé-
lange. L’introduction de la contrainte sur la variance permet de trouver une dis-
tribution du paramètre β avec des valeurs du quantile à 95 % proche des valeurs
obtenues en utilisant des lois usuelles.
Afin d’obtenir des densités de probabilité du paramètre β sans fluctuation locale
et permettant de maximiser le quantile WBSAR à 95 %, nous allons introduire en
plus de la contrainte de l’unimodalité et à la place de la contrainte sur la variance
qui est abandonnée une contrainte appelée critère de Rayleigh. Ce critère va assurer
un lissage entre deux gaussiennes successives.
2.2.3.3 Introduction du critère de Rayleigh
Le critère de Rayleigh va nous permettre d’obtenir des densités probabilités
sans fluctuations locales. Nous allons choisir σi égaux. Ce choix va transformer la
contrainte sur les poids (équation 2.38) en une contrainte d’unimodalité.
77
CHAPITRE 2. ESTIMATION D’UN QUANTILE DU WBSAR
0 0.1 0.2 0.30
2
4
6
8
Beta
Densité de probabilités
Figure 2.18 – Mélange de 15 gaussiennes obtenus en utilisant une contrainte sur la
variance.
σi = σ, ∀i. (2.41)
L’expression de ce critère est donnée par l’équation (2.42).
mi −mi−1 = σ, (2.42)
Le choix de σ est effectué de la manière suivante :
σ = min
{
m1 − βinf
3,mn + βsup
3
}
(2.43)
Ce choix assurera que la majorité de la densité reste dans l’intervalle [βinf , βsup].
La position des moyennes mi du mélange est réajustée en respectant (2.34), (2.35)
et (2.42). La résolution de ce système d’équations donne le résultat suivant :
m1 =3βsup + (n+ 2)βinf
n + 5(2.44)
78
2.2. DÉTERMINATION DU QUANTILE DU WBSAR À 95% POUR LA POPULATIONFRANÇAISE ÂGÉE DE 20 ANS
mi =(i+ 2)m1 − (i− 1)βinf
3, i ≥ 2 (2.45)
Les paramètres qui restent à estimer sont les poids qui pondèrent les gaussiennes
du mélange. L’optimisation de ces paramètres en utilisant différents points de départ
aboutit à la même estimation des poids.
Puisque nous avons changé la position des moyennes mi dans l’intervalle [0, 0.3]
ainsi que les valeurs des écarts-types, nous devons nous assurer du nombre de gaus-
siennes que nous allons utiliser dans le mélange afin d’avoir une estimation du quan-
tile du WBSAR à 95 % comparé à celui obtenu empiriquement (obtenu par Monte
Carlo).
La figure 2.19 montre une comparaison du quantile du WBSAR à 95 % empirique
avec le quantile estimé en utilisant la fonction de répartition décrite par l’équation
(2.32).
0 10 20 30 40 50 60 700.008
0.009
0.01
0.011
0.012
0.013
0.014
Nombre de gaussiennes
Valeurs du W
BSAR exprimées en W
/kg
Quantile empirique
Quantile estimé
Figure 2.19 – Evolution du quantile du WBSAR à 95 % en fonction du nombre de
gaussiennes pour le premier mode correspondant à la première gaussienne
Nous remarquons que le quantile estimé du WBSAR se rapproche de l’empirique
quand le nombre de gaussiennes est supérieur à 20. Par ailleurs, ces quantiles (em-
79
CHAPITRE 2. ESTIMATION D’UN QUANTILE DU WBSAR
pirique et estimé) croissent quand le nombre de gaussiennes augmente et atteignent
une stabilité au voisinage de 60 gaussiennes. Nous obtenons des résultats similaires
pour les autres modes.
La valeur maximale du quantile du WBSAR à 95 % est obtenue pour le mode
correspondant à la première gaussienne et est égale à 13 mW/kg. Cette valeur ne
varie pas beaucoup en fonction du mode. Cette valeur est supérieure aux valeurs
obtenues en modélisant la loi du paramètre β par des lois paramétriques usuelles
(valeurs comprises entre 9.8 et 11 mW/kg).
La figure 2.20 montre les densités de probabilités obtenues après introduction du
critère de Rayleigh. Nous constatons que toutes les distributions obtenues présentent
une cloche correspondant au mode de ces distributions. Les poids qui précédent et
qui suivent le mode sont égaux. Plus le mode est grand, plus la cloche s’élargit.
Pour le choix du mode correspondant à la dernière gaussienne, nous obtenons une
distribution uniforme dans l’intervalle [βinf , βsup].
−0.05 0 0.05 0.1 0.15 0.2 0.25 0.30
1
2
3
4
5
6
7
Beta
Figure 2.20 – Densités de probabilités obtenues pour un mélange de 70 gaussiennes
Les densités de probabilité obtenues ne présentent pas de fluctuation locale.
Cependant, l’analyse de la base de données anthropométriques montre que les den-
80
2.2. DÉTERMINATION DU QUANTILE DU WBSAR À 95% POUR LA POPULATIONFRANÇAISE ÂGÉE DE 20 ANS
sités de probabilité des facteurs morphologiques externes ont des comportements
en cloche (i.e concentrées autour de la moyenne). Puisque la loi de la plupart des
facteurs morphologiques ont un comportement en cloche, nous allons reproduire ce
comportement pour le paramètre β, nous proposons de réintroduire la contrainte sur
la variance (équation (2.40)).
La figure 2.21 montre les densités obtenues avec la contrainte d’unimodalité, le
critère de Rayleigh et la contrainte de la variance.
0.05 0.1 0.15 0.20
20
40
60
80
Beta
Figure 2.21 – Les densités de probabilité obtenues pour un mélange de 70 gaus-
siennes en introduisant la contrainte sur la variance
Plus la borne est petite, plus nous obtenons des distributions concentrées autour
de la moyenne. Cette concentration est due à l’annulation des poids associés au
gaussiennes situées aux extrémités du mélange. La borne sur la variance a été fixée
à 5.10−4 (cette borne permet d’obtenir des distributions concentrées autour de la
moyenne). Nous observons que quelques densité de probabilité ont un comportement
en cloche. Cependant, toutes ces densités de probabilité possèdent un support qui
n’inclut pas les β des fantômes. La valeur du WBSAR à 95 % est de 9.1 mW/kg.
Cette valeur est comparable avec ce que nous avons obtenus en utilisant les lois
81
CHAPITRE 2. ESTIMATION D’UN QUANTILE DU WBSAR
paramétriques usuelles.
Cette méthodologie basée sur le mélange de gaussiennes ne permet pas de relâcher
l’hypothèse d’indépendance entre le paramètre β et le facteur morphologique externe.
En effet, pour introduire cette dépendance nous utilisons la transformation de Nataf
qui requiert l’inversion de la fonction de répartition du mélange de gaussiennes. Or,
cette fonction de répartition n’est pas inversible analytiquement.
2.3 Conclusion du chapitre
Le but de ce chapitre était de déterminer le quantile du WBSAR à 95 % pour
une population donnée en utilisant des fantômes exposés frontalement à une onde
plane d’une puissance incidente d’un Watt par m2 avec une fréquence fixée à 2100
MHz. Nous avons fait le choix d’étudier la population française âgée de 20 ans. Le
nombre limité de fantômes ne permet pas d’utiliser des méthodes de type Monte
Carlo. L’idée a été de construire un modèle réduit du WBSAR en fonction de la
morphologie et d’utiliser des données statistiques sur cette morphologie afin de dé-
terminer ce quantile du WBSAR. La construction d’un tel modèle nous a confirmé
l’influence des facteurs morphologiques internes. Cependant, nous ne disposons pas
de données statistiques sur les facteurs morphologiques internes en plus des facteurs
externes. L’utilisation des connaissances physiques, les informations fournies par les
fantômes ainsi que le comportement de densités de probabilité des facteurs morpho-
logiques externes nous a permis de définir des contraintes sur le terme s’écrivant en
fonction de cette morphologie interne. L’utilisation de lois paramétriques usuelles
pour décrire ce terme nous a permis d’une part, de quantifier l’influence de ces lois
sur le quantile et d’autre part, d’obtenir une tendance de ce quantile. Cette ten-
dance (environ 10 mW/kg) ne varie pas beaucoup en fonction des lois usuelles que
nous avons utilisé (la plage de variation est comprise dans l’intervalle [9.8, 11]). De
plus, l’utilisation de telles lois usuelles a permis de prendre en compte la dépendance
entre le terme dépendant des facteurs morphologiques internes et celui décrivant les
facteurs morphologiques externes.
82
2.3. CONCLUSION DU CHAPITRE
Dans une deuxième approche nous avons utilisé un mélange de gaussiennes afin
de trouver une loi du paramètre β permettant de maximiser le quantile du WBSAR
à %. Les premiers résultats n’étaient pas représentatifs (le support des densités obte-
nues ne comprenait pas les fantômes) des fantômes ou présentaient des fluctuations
locales. L’introduction de la contrainte de l’unimodalité et du critère de Rayleigh,
nous a permis de résoudre ces deux problèmes. Cependant, nous avons remarqué que
les données morphologiques dont nous disposions représentaient une concentration
de densités autour des moyennes. Pour introduire ce comportement au niveau de
ces densités nous avons borné la variance du mélange de gaussiennes. Cette intro-
duction induisait des quantiles du WBSAR à 95 % comparables à ceux en utilisant
les lois paramétriques usuelles. De plus, les lois usuelles ont un support incluant les
fantômes comparées aux lois issues du mélange de gaussiennes.
L’utilisation de fantômes hétérogènes pour évaluer le quantile du WBSAR à 95 %
requiert l’introduction des facteurs morphologiques internes (peau, muscles, graisse
et os) dans un modèle du WBSAR. Néanmoins, nous ne disposons pas de données
statistiques de ces facteurs. De plus, ces facteurs sont probablement corrélés entre
eux et avec les facteurs morphologiques externes. Or, ces différentes corrélations sont
inconnues.
Dans le chapitre suivant nous allons nous affranchir des facteurs morphologiques
internes en utilisant des fantômes homogènes. L’utilisation de fantômes hétérogènes
requiert des données statistiques sur la morphologie interne dont nous ne disposons
pas. Un fantôme homogène conserve l’enveloppe corporelle d’un fantôme hétérogène
et donc ses paramètres morphologiques externes. Par contre, sa morphologie interne
n’est plus décrite avec des tissus internes mais par un tissus équivalent remplis-
sant tout le fantôme homogène. L’usage de ce tissu équivalent va nous permettre de
construire un modèle du WBSAR en fonction uniquement des facteurs morpholo-
giques externes.
L’acquisition de la base de données anthropométriques va nous permettre d’éva-
luer le quantile du WBSAR à 95 % dans une population dont les lois des facteurs
ainsi que la dépendance entre ces facteurs sont connues. De plus, la technique du
83
CHAPITRE 2. ESTIMATION D’UN QUANTILE DU WBSAR
morphing ne sera plus limitée par les facteurs morphologiques internes. En effet, nous
avons vu dans la section 1.2.2 que cette technique conserve les mêmes proportions
de tissus principaux entre le fantôme initial et le fantôme issu de cette technique.
À l’aide de cette base de données et la technique de morphing, dans le chapitre
suivant nous allons comparer deux méthodes. La première méthode consiste à éta-
blir un modèle paramétrique du WBSAR en fonction des facteurs morphologiques
externes et raffiner la région du WBSAR à 95 % en y ajoutant séquentiellement des
fantômes. En ce qui concerne la deuxième méthode, celle-ci consiste à obtenir la
distribution du WBSAR en construisant une surface de réponse avec des polynômes
de chaos et d’en déduire le quantile du WBSAR à 95 %.
84
Chapitre 3
Quantile du WBSAR à 95% par
plan d’expériences séquentiel et
polynômes de chaos
Dans ce chapitre nous allons tout d’abord adapter la technique du morphing
aux facteurs qui existent dans la base de données anthropométriques. Ensuite, nous
allons établir un modèle du WBSAR en utilisant des fantômes homogènes. Ce modèle
va être utilisé pour affiner la région d’intérêt (quantile du WBSAR à 95 %). Pour
ce faire, nous allons développer un plan d’expériences séquentiel qui repose sur de
l’Inférence Bayésienne et un modèle paramétrique duWBSAR. Cette méthode donne
uniquement le quantile à 95 % de la distribution dans une population donnée.
Une deuxième approche est proposée afin d’obtenir toute la distribution du WB-
SAR. Nous allons utiliser les polynômes de chaos pour déterminer une surface de
réponses du WBSAR en fonction des facteurs morphologiques. Celle-ci va nous per-
mettre de déterminer toute la distribution du WBSAR et en particulier le quantile
du WBSAR à 95 %.
Enfin les résultats issus de ces deux méthodes seront comparés.
85
CHAPITRE 3. QUANTILE DU WBSAR À 95% PAR PLAN D’EXPÉRIENCES SÉQUENTIELET POLYNÔMES DE CHAOS
3.1 Adaptation de la technique de morphing à la
base de données anthropométriques
Comme nous l’avons expliqué auparavant, les facteurs de la base de données
anthropométriques doivent être pris en compte dans la technique de morphing afin
de déformer les fantôme suivant ces facteurs. Ces facteurs sont la taille, la carrure
devant, le tour de poitrine et le tour de ceinture.
Nous choisissons le fantôme Duke (cf. section 1.1.1). Le choix du fantôme peut
induire une petite incertitude sur l’estimation du quantile à 95 %. En effet, suivant
le fantôme, la déformation ne s’applique pas avec précision aux mêmes parties du
corps. Néanmoins, les facteurs morphologiques sont les variables incertaines les plus
influentes.
Des facteurs comme la taille et la carrure devant sont faciles à mesurer sur les
fantômes construits en voxels.
Les facteurs, tour de poitrine et tour de ceinture sont difficilement mesurables
sur les fantômes. Par contre, nous pouvons donner une estimation à partir de la
largeur et la profondeur du fantôme au niveau de la ceinture et de la poitrine.
Cette estimation est obtenue en considérant que les deux tours sont elliptiques et en
utilisant la formule de Kepler [41] (équation (3.1)).
P = π√
ab, (3.1)
où P est le tour de poitrine, a est la largeur (au niveau de la ceinture ou la poitrine)
et b est la profondeur (au niveau de la ceinture ou la poitrine).
La figure 3.1 montre que les deux tours (de ceinture et de poitrine) ont une forme
elliptique.
86
3.1. ADAPTATION DE LA TECHNIQUE DE MORPHING À LA BASE DE DONNÉESANTHROPOMÉTRIQUES
Figure 3.1 – A gauche tour de poitrine et à droite tour de ceinture du fantôme
Duke
Pour intégrer ces différents facteurs dans la technique du morphing, la taille et
la carrure devant sont faciles à intégrer. En effet, quand il s’agit de longueur ou
de largeur nous utilisons le rapport entre la longueur que nous cherchons à obtenir
(respectivement largeur) et la largeur (respectivement la longueur) du fantôme. Le
coefficient obtenu est alors appliqué au fantôme et un lissage est assuré avec les autres
parties du corps. Par contre, en ce qui concerne l’intégration du tour de poitrine et
du tour de ceinture, nous devons déduire la profondeur et la largeur à partir de ces
tours.
En ce qui concerne le tour de poitrine, la mesure de la carrure devant est la mesure
de la largeur au niveau de la poitrine. Par conséquent la profondeur au niveau de la
poitrine est déduite par la formule de Kepler.
Par ailleurs, nous n’avons pas de mesure de largeur de ceinture dans la base de
données anthropométriques. Nous avons comparé la mesure de la largeur au niveau
de la ceinture avec celle de la carrure devant pour les fantômes. Nous remarquons
que la largeur de la ceinture est égale à environ la carrure devant corrigée par un
87
CHAPITRE 3. QUANTILE DU WBSAR À 95% PAR PLAN D’EXPÉRIENCES SÉQUENTIELET POLYNÔMES DE CHAOS
facteur de 23. Nous allons donc utiliser cette carrure devant corrigée afin de déduire
la profondeur au niveau de la ceinture pour tous les fantômes. Une fois ces largeurs
et profondeurs déterminées, nous entreprenons la même démarche que les largeurs
et longueurs afin de les intégrer dans la technique du morphing.
La figure 3.2 montre l’exemple de deux cas extrêmes tirés de la base de données
obtenus par la technique de morphing en utilisant le fantôme Duke. Le fantôme à
gauche à une taille de 1.66 m, une carrure devant de 0.44 m, un tour de poitrine
de 1.46 m et un tour de ceinture de 1.35 m et le fantôme à droite a une taille de
1.98 m, une carrure devant de 0.50 m, un tour de poitrine de 1.13 m et un tour de
ceinture de 1.08 m.
Figure 3.2 – Exemple de Duke morphé (à gauche un fantôme de petite taille et
corpulent, à droite un fantôme de grande taille et mince )
La masse du fantôme ne peut pas être introduit comme facteur de déformation
du fantôme (cf. la section 1.2.2). La technique de morphing a été adaptée à la base de
88
3.2. PLAN D’EXPÉRIENCES SÉQUENTIEL
données anthropométriques. Dans la section suivante, nous allons établir un modèle
du WBSAR en fonction des facteurs morphologiques externes. Ensuite nous allons
raffiner la région du WBSAR à 95 %.
3.2 Plan d’expériences séquentiel
Dans cette section les différents tissus du corps vont être remplacés par un tissu
équivalent. Le tissu que nous avons choisi pour cette étude est un tissu défini par la
Commission Electronique Internationale (CEI) [6]. Les propriétés diélectriques de ce
tissu équivalent sont données en fonction de la fréquence. Pour la fréquence de 2100
MHz, la permittivité relative est de 39.8 et la conductivité est de 1.49 S/m.
3.2.1 Modèle du WBSAR en fonction de la morphologie
La construction d’un modèle du WBSAR en utilisant des fantômes homogènes
ne va pas nécessiter l’emploi de facteurs morphologiques internes.
Nous allons rechercher plusieurs combinaisons de facteurs, afin d’établir une relation
du WBSAR en fonction de la taille, la carrure devant, le tour de poitrine et le tour de
ceinture. Les paramètres de ces modèles seront estimés par la méthode des moindres
carrés. Le test de Student et le coefficient de détermination R2 seront les critères du
choix du modèle.
Nous obtenons un modèle pertinent dont tous les paramètres sont significatifs au
sens du test de Student. De plus, le coefficient de détermination R2 est égal 0.998 ce
qui montre une bonne qualité du modèle. Ce modèle est donné par la relation (3.2).
ywbsar = θ1xt + θ2xtp
xcd
+ θ3xtc
xcd
+ θ4 + ǫ, (3.2)
où ywbsar est la variable déctrivant le WBSAR, xt le facteur décrivant la taille, xtp
le facteur décrivant le tour de poitrine, xcd le facteur décrivant la carrure devant,
xcd le facteur décrivant le tour de ceinture, (θi)i=1,...,4 les paramètres du modèle et
finalement ǫ est l’erreur du modèle.
89
CHAPITRE 3. QUANTILE DU WBSAR À 95% PAR PLAN D’EXPÉRIENCES SÉQUENTIELET POLYNÔMES DE CHAOS
Ce modèle ne tient pas compte du phénomène physique (cf. 2.1.1). Cependant,
ce modèle paraît convenable. En effet, nous savons que la taille joue un rôle très
important dans la construction d’une relation pour le WBSAR. Dans le chapitre
précédent, nous avons vu que l’utilisation des fantômes hétérogènes a permis d’iden-
tifier, en plus des facteurs morphologiques internes, des facteurs comme le BSA et le
BMI. Puisque ces facteurs s’écrivent en fonction de la taille et la masse, la taille est
donc un facteur influent dans un modèle du WBSAR en utilisant des fantômes hé-
térogènes. Or, les fantômes homogènes conservent la même morphologie externe que
les fantômes hétérogènes. D’où l’importance de la taille dans un modèle du WBSAR
pour les fantômes homogènes.
Les deux rapports (tour de poitrine et tour de ceinture divisées par la carrure
devant) intervenant dans ce modèle reflètent respectivement la profondeur au niveau
de la poitrine et la profondeur au niveau de la ceinture. Ces deux rapports donnent
une idée sur la masse du fantôme qui est un facteur important pour le WBSAR mais
exclu du modèle.
Puisque les fantômes qui ont servi à estimer les paramètres de ce modèle ne
sont pas issus d’un tirage aléatoire de la population ou d’un plan d’expériences, ce
modèle pourrait ne pas être robuste pour calculer la distribution du WBSAR d’une
population. Afin de vérifier la validité de ce modèle et de donner à ces paramètres
une estimation robuste, nous proposons d’établir un plan d’expériences.
Puisque les facteurs morphologiques externes sont corrélés, nous proposons d’uti-
liser un plan d’expériences D-optimal [3] (cf. annexe A). En effet, ce plan d’expé-
riences est choisi à partir d’un échantillon des facteurs générés suivant sa loi jointe
(qui constitue le maillage du plan d’expériences), les candidats qui permettent d’ob-
tenir un petit éllipsoïde de confiance des paramètres du modèle.
Afin d’appliquer le plan d’expériences D-optimal, nous échantillonnons les fac-
teurs (xi)i=1,...,4. La taille de l’échantillon est de 3.105. La taille de cette échantillon
génére une erreur comprise entre 2 % et pour la moyenne et une erreur entre 10 %
et 16 % pour l’estimation de la variance de cet échantillon. La corrélation entre ces
différents facteurs est introduite en utilisant la transformation de Nataf (cf. 2.2.2).
90
3.2. PLAN D’EXPÉRIENCES SÉQUENTIEL
Ensuite, nous choisissons parmi cet échantillon les candidats qui permettent de ré-
duire le volume de la région de confiance des paramètres (θi)i=1,...,4.
Nous remarquons qu’il suffit de choisir six candidats pour ce plan d’expériences. En
effet, quand le nombre des candidats est supérieur à six, les candidats obtenus se
répètent.
Les candidats obtenus (facteurs morphologiques obtenus) ont été utilisés pour
construire les fantômes correspondant par la technique de morphing. Ensuite, leurs
valeurs du WBSAR ont été calculées en utilisant la FDTD. Le tableau 3.1 montre
les facteurs morphologiques obtenus ainsi que la valeur du WBSAR associée.
91
CHAPITRE 3. QUANTILE DU WBSAR À 95% PAR PLAN D’EXPÉRIENCES SÉQUENTIELET POLYNÔMES DE CHAOS
Taille Carrure Tour de Tour de WBSAR
(m) devant (m) poitrine (m) ceinture (m) (mW/kg)
1.57 0.37 1.14 1.06 3.87
1.81 0.42 1.25 0.90 4.70
1.92 0.39 1.15 1.20 4.48
2.02 0.52 1.11 0.90 5.68
1.98 0.43 0.97 1.02 4.75
1.38 0.37 0.78 0.66 7.64
Table 3.1 – Candidats obtenus par un plan d’expériences D-optimal ainsi que le
WBSAR associé
Ce plan d’expériences est utilisé pour estimer les paramètres du modèle para-
métrique (3.2). Pour ce faire, nous utilisons la méthode des moindres carrés. L’es-
timation de ces paramètres montre que le modèle (3.2) est très pertinent avec un
coefficient de détermination égal à 0.995. Le tableau 3.2 montre que les paramètres
sont très significatifs avec une p-valeur du test de Student inférieur à 10−5 (p-valeur
inférieur à 0.05 indique que les paramètres sont significatifs). Comme l’indique les
petits intervalles de confiance associés à chaque paramètre, le modèle établi est de
bonne qualité.
Paramètre Estimée intervalle de conf. p-valeur
θ1 −0.0031 [−0.0035,−0.0027] 10−6
θ2 −0.0012 [−0.0015,−0.0009] 10−5
θ3 −0.0013 [−0.0015,−0.0010] 10−5
θ4 0.0167 [0.0159, 0.0176] 10−9
Table 3.2 – Candidats obtenus par un plan d’expériences D-optimal ainsi que le
WBSAR associés
Quand à l’erreur du modèle, celle-ci est centrée sur zéro et son écart-type est de
9.7.10−2mW/kg.
L’utilisation de ce modèle avec ses paramètres estimés par moindres carrés ainsi
qu’un tirage aléatoire des facteurs morphologiques externes (suivant leurs lois et en
92
3.2. PLAN D’EXPÉRIENCES SÉQUENTIEL
respectant les corrélations croisées) de taille 106 donne une valeur du quantile du
WBSAR à 95 % de 6.7 mW/kg.
Puisque nous n’avons utilisé que six expériences, la valeur du quantile duWBSAR
à 95 % pourrait ne pas être précise.
3.2.2 Méthodologie
Le plan d’expériences séquentiel consiste à donner à raffiner le quantile du WB-
SAR à 95 % pour la population française. Cette approche permet de choisir la
simulation suivante à effectuer afin d’affiner la connaissance dans la région d’intérêt
(région du quantile à 95 %).
Pour décrire cette méthodologie, notons par l’expression suivante le modèle pa-
ramétrique :
y : X −→ R+
x 7−→ fΘ(x) + ǫ,
où X est l’espace probabilisé, R+ l’espace des réels positifs (car le WBSAR est une
grandeur positive), y l’estimée du WBSAR par ce modèle, x le vecteur des facteurs
(facteurs morphologiques externes), fΘ le modèle paramétrique permettant d’esti-
mer la réponse (WBSAR) et ǫ est l’erreur de ce modèle. Cette erreur est supposée
gaussienne de moyenne zéro et d’écart-type σ constant.
Notons par Fm = (xi, yi)i=1,..,m les observations initiales (plan d’expériences D-
optimal).
L’idée est de construire une distribution pour le vecteur des paramètres Θ. Pour
ce faire, un a priori pour cette distribution doit être considéré. Cet a priori noté
π(Θ) est généralement construit en prenant en compte les informations fournies par
le phénomène physique. Dans notre cas, les paramètres du modèle ne représentent
pas des grandeurs physiques.
En effet, nous savons qu’aux hautes fréquences l’absorption des ondes est for-
tement surfacique. Donc le WBSAR est proportionnel à la surface divisée par la
masse. Cependant, la masse est un facteur que nous ne pouvons pas intégrer dans le
modèle car nous ne pouvons le maitriser dans la technique du morphing. Il s’en suit
93
CHAPITRE 3. QUANTILE DU WBSAR À 95% PAR PLAN D’EXPÉRIENCES SÉQUENTIELET POLYNÔMES DE CHAOS
qu’il n’y a pas d’information à intégrer dans cet a priori. Nous choisissons alors un a
priori non-informatif (un loi normale de moyenne zéro et un très grand écart-type :
100).
Connaissant l’a priori de cette distribution et les observations initiales Fm, la loi
a posteriori du vecteur des paramètres Θ est donnée par la proportionnalité (3.3)
tirée de la formule de Bayes [19].
P(Θ|Fm) ∝ π(Θ)P(Fm|Θ), (3.3)
où P(Θ|Fm) est la loi a posteriori du vecteur Θ et P(Fm|Θ) est la vraisemblance dumodèle.
Puisque l’erreur est supposée gaussienne de moyenne zéro et de variance σ2
constante (l’erreur est aussi supposée indépendante et identiquement distribuée,
i.i.d), la vraisemblance pour chaque observation Fi = (xi, yi) [38] s’écrit alors comme
suit :
P(Fi|Θ) =(
1σ√2π
)
exp
−12
(
yi − fΘ(xi)σ
)2
, (3.4)
Puisque les erreurs engendrées par le modèle sont indépendantes, nous avons
alors :
P(Fm|Θ) =m∏
i=1
P(Fi|Θ), (3.5)
C’est-à-dire :
P(Fm|Θ) =(
1σ√2π
)m
exp
−12
m∑
i=1
(
yi − fΘ(xi)σ
)2
, (3.6)
Un estimateur de la variance est décrite par la relation (3.7)
s2 =1
m− 1
m∑
i=1
exp (yi − fΘ(xi))2 , (3.7)
L’idée est de générer un échantillon du vecteur de paramètres Θ noté (Θj)j=1,...,p
en utilisant la loi a posteriori donnée par (3.3). Nous échantillonnons les facteurs x
suivant leurs lois associées. Cet échantillon est noté (xi)i=1,...,q. Pour chaque Θj nous
94
3.2. PLAN D’EXPÉRIENCES SÉQUENTIEL
calculons les valeurs (yji )i=1,...,q (l’estimation de la distribution du WBSAR pour un
modèle donné) via le modèle paramétrique fΘj. Chaque Θj échantillonné nous fournit
une distribution du yj (une distribution du WBSAR pour la population française).
La valeur du quantile à 95 % de yj est calculée empiriquement. Ce quantile est noté
qj95. L’ensemble des (q
j95)j=1,...,q forme une distribution de ce quantile.
Le plan d’expériences va permettre d’ajouter de manière séquentielle les candi-
dats qui réduiront la variance de la distribution de ce quantile. Pour ce faire, nous
devons calculer l’expression de la variance conditionnelle aux observations de ce
quantile.
L’expression analytique de cette variance est donnée par (3.8).
var(q95(Θ)|Fm) = E
{
[q95(Θ)− E {q95(Θ)|Fm}]2 |Fm
}
, (3.8)
Quand la variance sera suffisamment petite (critère choisi selon la précision que
l’on cherche à obtenir), il suffit de choisir comme valeur pour le quantile à 95 % la
moyenne de cette distribution. Nous cherchons alors le candidat qui va permettre
de diminuer l’espérance de la variance de la distribution du quantile à 95 %. L’algo-
rithme du plan d’expériences séquentiel est alors donnée par (3.9)
xm+1 = argminx∈X
[∫
R
Py(x)|Fm(z)var {q95(Θ)|Fm et y(x) = z} dz
]
(3.9)
où xm+1 est le nouveau candidat choisi par le plan d’expériences séquentiel et
Py(x)/Fmla densité de probabilité de la variable aléatoire y(x) conditionnellement
aux observations.
Le développement du terme Py(x)|Fm(z) donne l’expression (3.10)
Py(x)|Fm(z) =
∫
Rdim(Θ)Py(x)|Θ(z)PΘ|Fm
(Θ)dΘ (3.10)
où Py(x)|Θ(z) est la densité relative au modèle et PΘ|Fmest la densité de la loi a
posteriori (connaissant les observations). L’algorithme de ce plan d’expériences se
déroule comme suit :
95
CHAPITRE 3. QUANTILE DU WBSAR À 95% PAR PLAN D’EXPÉRIENCES SÉQUENTIELET POLYNÔMES DE CHAOS
Algorithme 1 Algorithme du plan d’expériences séquentielEntrées: Observations initiales Fm, modèle paramétrique y := fΘ + ǫ, loi des fac-
teurs P(x) et loi a posteriori du vecteur des paramètres P(Θ|Fm), condition d’arrêt
c
Sorties: Nouvelles observations (xm+n), n ∈ N
Echantillonner x suivant P(x) : (xci )i=1,...,s
Echantillonner Θ suivant P(Θ|Fm) : (Θj)j=1,...,q
pour i = 1, ..., k faire
pour j = 1, ..., q faire
yij ← fΘj
(xci )
Fm+1 ←{
Fm, (xci , yj
i )}
Echantillonner Θ suivant P(Θ|Fm+1) : (Θijk )k=1,...,p
pour k = 1, ..., p faire
Yk ←{
fΘij
k((xr)r=1,...,m), fΘij
k(xc
i)}
Calculer le quantile à 95 % de Yk : qk95(Yk)
fin pour
Calculer la variance de (qk95(Yk))k=1,...,p : Vj
fin pour
Ei(V)← 1pkl
s∑
i=1
q∑
j=1
p∑
k=1
{
Py(x)|Θj(fΘij
k(xc
i))Vj
}
fin pour
xm+n = argminx∈X
{(Ei(V))i=1,...,s}Si min (Ei(V))i=1,...,s ≤ c Arrêt
Sinon Calculer ym+n, remplacer Fm par Fm+n = (xr, yr)r=1,...,m+n et retourner à
Echantillonner x.
96
3.2. PLAN D’EXPÉRIENCES SÉQUENTIEL
3.2.3 Résultats
Nous avons appliqué une méthode du plan d’expériences séquentiel en utilisant le
modèle (3.2) décrit dans la section 3.2.1. En ce qui concerne les observations initiales,
nous avons choisi les expériences obtenues par le plan d’expériences D-optimal.
Pour les valeurs affectées aux indices s, q et p décrit dans l’algorithme de la section
précédente, nous avons choisi ces indices tous égaux à la valeur 500. Le choix de ce
nombre (échantillon de taille moyenne) vient du fait de la complexité de l’algorithme
du plan d’expérience séquentiel (trois boucles) engendrant un long calcul. En effet,
cet algorithme met une heure et demi pour sélectionner une nouvelle observation
(sans compter le temps de calcul pour la technique de morphing et la simulation
FDTD).
En ce qui concerne la valeur affectée à la condition d’arrêt nous avons choisi
la valeur de 0.2 mW/kg pour l’écart-type de la distribution du quantile à 95 %.
L’algorithme n’a pas pu être automatisé car pour chaque observation la technique
du morphing est utilisée afin de déformer le fantôme à la morphologie choisie par ce
plan d’expériences. Une vérification visuelle est nécessaire afin de s’assurer qu’il n’y
ait aucune aberration dans la morphologie du fantôme construit avant de calculer
sa valeur du WBSAR par la FDTD.
La figure 3.3 montre la diminution de l’écart-type de la distribution du quantile
à 95 % après l’introduction de 26 observations choisies par ce plan d’expériences
séquentiel. L’écart-type obtenu initialement par le plan d’expériences D-optimal est
égal 0.68 mW/kg, l’ajout de ces 26 observations permet d’obtenir une valeur du
quantile égale à 7 mW/kg avec un écart-type de 0.2 mW/kg.
97
CHAPITRE 3. QUANTILE DU WBSAR À 95% PAR PLAN D’EXPÉRIENCES SÉQUENTIELET POLYNÔMES DE CHAOS
0 5 10 15 20 25 300.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
Nombre d’itérations
écart−type du quantile du W
BSAR (mW/Kg)
Figure 3.3 – Evolution de l’écart-type de la distribution du quantile à 95 % en
fonction du nombre d’itérations
En ce qui concerne l’évolution de la moyenne de la distribution de ce quantile
du WBSAR à 95 %. Nous constatons des fluctuations au niveau des 5 premières
itérations, au delà la moyenne du quantile du WBSAR à 95 %. La figure 3.4 montre
cette évolution.
98
3.2. PLAN D’EXPÉRIENCES SÉQUENTIEL
0 5 10 15 20 25 30
6.4
6.5
6.6
6.7
6.8
6.9
7
7.1
7.2
7.3
Nombre d’itérations
Moyenne du quantile du W
BSAR (mW/Kg) D−optimalité
Figure 3.4 – Evolution de la moyenne de la distribution du quantile à 95 % en
fonction du nombre d’itérations
Les expériences qui ont été rajoutées pour raffiner la région à 95 % ainsi que la
valeur du WBSAR correspondante sont données dans la figure 3.5.
99
CHAPITRE 3. QUANTILE DU WBSAR À 95% PAR PLAN D’EXPÉRIENCES SÉQUENTIELET POLYNÔMES DE CHAOS
5 10
x 10−3
0.6 0.8 1T. de ceinture
0.5 1 1.5T. de poitrine
0.3 0.4 0.5C. devant
1 1.5 2
6
8
10
x 10−3
Taille
0.6
0.8
1
0.5
1
1.5
0.3
0.4
0.5
1
1.5
2
WBSAR
Figure 3.5 – Expériences choisies par le plan d’expériences séquentiel
100
3.2. PLAN D’EXPÉRIENCES SÉQUENTIEL
Cette figure 3.5 illustre les corrélations croisées des différents facteurs et celles
de ces facteurs avec le WBSAR des expériences choisies par plan d’expériences sé-
quentiel. Les histogrammes (au niveau de la diagonale) représentent les densités de
probabilités de ces facteurs.
Nous observons que les corrélations des facteurs avec le WBSAR sont négatives.
C’est-à-dire plus le facteur est grand plus la valeur du WBSAR est petite.
Puisque nous retenons la valeur moyenne du quantile du WBSAR à 95 % comme
nous l’avons expliqué, cette valeur est égale à 7 mW/kg.
Parmi les expériences ajoutées par le plan d’expériences, un fantôme correspond
à ce quantile du WBSAR. Ce fantôme a une taille de 1.47 m, un tour de poitrine
de 76.5 cm et un tour de ceinture de 65 cm (cf. figure 3.6). Ce résultat correspond
au phénomène physique. En effet, nous savons que plus le corps humain est petit
plus le rapport entre la surface et la masse augmente et par conséquent, le WBSAR
augmente.
Figure 3.6 – Fantôme correspondant a la valeur du quantile du WBSAR à 95 %
Cette méthode a permis de trouver un fantôme correspondant à la valeur du
101
CHAPITRE 3. QUANTILE DU WBSAR À 95% PAR PLAN D’EXPÉRIENCES SÉQUENTIELET POLYNÔMES DE CHAOS
WBSAR à 95 % sans avoir à résoudre un problème de type inverse.
L’ajout de ces simulations au modèle (3.2) pourrait affecter sa qualité. Pour
vérifier que les paramètres de ce modèle restent significatifs après ces ajouts, le
test de Student a été appliqué et le coefficient R2 de ce modèle a été calculé. Le
tableau 3.3 montre les résultats obtenus par le test de Student et le coefficient de
détermination.
θ1 θ2 θ3 θ4
p-valeur 2.7.10−7 0.03 7.1.10−3 10−10
R2 0.85
Table 3.3 – Test statistique de Student et coefficient de détermination
Le tableau 3.3 montre que les paramètres dans la relation reliant le WBSAR (3.2)
avec la morphologie restent significatifs après l’ajout de 26 observations. En effet,
les p-valeur du test de Student pour les paramètres θ1, θ3 et θ4 sont très significatifs
(très inférieur au risque 0.05). Néanmoins, en ce qui concerne le paramètre θ2, la
p-valeur de ce paramètre s’approche du risque. Ceci est dû à la forte corrélation
entre le tour de poitrine associé à ce paramètre, le tour de ceinture et la taille
apparaissant dans ce modèle (coefficients de corrélation respectifs 0.64 et 0.67). Par
ailleurs, le coefficient de détermination diminue comparé à celui obtenu pour le plan
d’expériences D-optimal. Ceci vient des petites erreurs engendrées par les modèles
pour les nouvelles observations. Cependant, l’erreur relative ne dépasse pas 7 %.
Cette méthode nous a permis de déterminer uniquement le quantile du WBSAR
à 95 %. Cependant, nous n’avons pas une estimation de toute la distribution du
WBSAR. Pour obtenir une estimation de cette distribution, dans la section sui-
vante nous allons utiliser une méthode dite non-intrusive. Cette méthode consiste
à construire une surface de réponse du WBSAR pour la population française en
utilisant les polynômes de chaos. Cette surface de réponse va nous d’obtenir toute
la distribution et en particulier le quantile à 95 %. Ce quantile sera comparé avec
celui obtenu par le plan d’expériences séquentiel.
102
3.3. POLYNÔMES DE CHAOS APPLIQUÉS À L’ÉVALUATION DU WBSAR AU SEIND’UNE POPULATION
3.3 Polynômes de Chaos appliqués à l’évaluation
du WBSAR au sein d’une population
Dans cette section nous allons décrire et appliquer une méthode dite non-intrusive
basée sur les polynômes de chaos pour des facteurs morphologiques dépendants.
Cette approche permet de gérer les incertitudes d’un résultat liées à des variables
incertaines en construisant un méta-modèle et en propageant l’incertitude via ce
dernier. Celle-ci décrit le modèle du WBSAR comme étant une combinaison linéaire
de monômes (les monômes sont le résultat du produit des polynômes orthogonaux
de chaos) de facteurs externes dont les coefficients sont estimés en utilisant des si-
mulations choisies pertinemment [5, 7, 33, 40, 43].
Par ailleurs, puisque cette méthode a pour objectif de déterminer toute la distribu-
tion du WBSAR, elle requiert un nombre assez important de simulations.
Les facteurs morphologiques sont : taille, carrure devant, tour de poitrine et tour
de ceinture. Les variables aléatoires décrivant ces facteurs sont notées respective-
ment : Xt, Xcd, Xtp et Xtc. Ces variables aléatoires suivent les lois suivantes d’après
l’analyse de la base de données anthropométrique :
Xt = N(mt, σ2t ),
Xcd = LN(µcd, σcd),
Xtp = LN(µtp, σtp),
Xtc = LN(µtc, σtc).
(3.11)
Ces variables aléatoires sont liées par une matrice de corrélation notée R. Les
fonctions de répartition des ces variables sont notées Ft, Fcd, Ftp et Ftc. Leurs densités
de probabilités sont notées ft, fcd, ftp et ftc. Notons par Y la variable aléatoire
décrivant le WBSAR. Le méta-modèle basé sur les polynômes de chaos [5, 7, 33, 40,
43] est donné par (3.12).
103
CHAPITRE 3. QUANTILE DU WBSAR À 95% PAR PLAN D’EXPÉRIENCES SÉQUENTIELET POLYNÔMES DE CHAOS
Y =∞∑
k=0
βkΨk(Ξ), (3.12)
où Ξ = (ξ)i=1,...,4 sont des variables aléatoires stochastiques indépendantes, les Ψk(Ξ)
sont les polynômes multidimensionnels de chaos et les βk sont les coefficients modaux.
Les variables stochastiques Ξ forment un espace stochastique. Les polynômes de
chaos forment une base Hilbertienne {Ψk, k ∈ N}. Cette base est munie d’un produitscalaire (3.13) [5, 43] :
〈u, v〉 =∫
R4u(x)v(x)fΞ(x)dx (3.13)
où fΞ est la loi jointe des variables aléatoires Ξ.
Les polynômes de chaos sont orthogonaux au sens de ce produit scalaire (équation
(3.14)).
〈Ψi,Ψj〉 = δij, (symbole de Kronecker) (3.14)
L’expression des βk est donnée dans (3.15).
βk =1
‖Ψk‖2
∫
R
y(Ξ)ΨkfΞ(Ξ)dΞ, (3.15)
où y(Ξ) est la valeur du WBSAR evaluée par le simulateur (FDTD et morphing) au
point Ξ.
Le nombre des coefficients modaux est déterminé en fonction de la dimension des
variables stochastiques notée D et de l’ordre de des polynômes de chaos noté N . Le
nombre de ces coefficients est donné par la formule :
P + 1 =(N +D)!
N !D!
Nous proposons d’estimer les coefficients modaux par quadrature. Les quadra-
tures permettent de résoudre numériquement une intégrale en évaluant la fonction
à intégrer en des points [33, 40, 43]. Ces quadratures sont données uniquement dans
le cas unidimensionnel. Les autres dimensions sont obtenues par tensorisation. De
manière générale la formule d’une quadrature pour une dimension n est donnée par
l’équation (3.16).
104
3.3. POLYNÔMES DE CHAOS APPLIQUÉS À L’ÉVALUATION DU WBSAR AU SEIND’UNE POPULATION
Qnk(f) =
mnk
∑
i=1
ωkn
i f(xkn
i ), (3.16)
où f est la fonction que l’on veut intégrer, ωj sont les poids de la quadrature, k est
le niveau de la quadrature et mnk le nombre de points utilisé pour estimer l’intégrale.
L’utilisation de quadratures classiques telle que celle de Gauss nécessite un
nombre de points important pour résoudre une intégrale donnée. De plus, l’utili-
sation de la tensorisation afin d’obtenir les autres dimensions augmentent de ma-
nière significative ce nombre de points. En effet, le nombre de points à évaluer dans
l’équation (3.17) estN∏
i=1
mik.
⊗ni=1Qi
k(f) =m1
k∑
i1=1
...
m1k
∑
iN =1
(ωk1
i1 , ..., ωkN
iN ).f(xk1
i1 , ..., xkN
iN ) (3.17)
Il existe une quadrature creuse permettant de résoudre une intégrale en évaluant
la fonction en un nombre des points beaucoup plus faible que les quadratures clas-
siques. Cette quadrature est appelée quadrature de ’Clenshaw Curtis’ [40, 43]. Pour
ce faire, les variables stochastiques Ξ doivent être uniformes dans l’intervalle [−1, 1].Notons nk = 2kn−1 + 1 pour une dimension n donnée [33, 39, 40, 43]. Les points de
cette quadrature sont donnés par la formule (3.18).
xkn
j = −cos
(
π(j − 1)nk − 1
)
(3.18)
La quadrature de ’Clenshaw Curtis’ permet de diminuer de manière considérable
le nombre de points à évaluer afin de calculer une intégrale dans le cas unidimension-
nel. Cependant, une tensorisation complète pour de cette quadrature pour le cas mul-
tidimensionnel augmente considérablement le nombre de points à évaluer. Afin d’évi-
ter cette augmentation de points à évaluer pour calculer l’intégrale dans l’équation
(3.15), nous utilisons une tensorisation incomplète de Smolyak [39, 40, 43]. Appelons
grille l’ensemble des points obtenus dans le cas unidimensionnel par la quadrature
de ’Clenchaw Curtis’ et notons cette grille Γkn, telle que Γ
kn =
{
xkn
i : 1 ≤ i ≤ mnk
}
.
La quadrature unidimensionel de ’Censhaw Curtis’ assure Γk−1n ⊂ Γk
n [33, 39, 40].
Introduisons la notation (3.19).
105
CHAPITRE 3. QUANTILE DU WBSAR À 95% PAR PLAN D’EXPÉRIENCES SÉQUENTIELET POLYNÔMES DE CHAOS
∆nk(f) =
(
Qnk −Qn
k−1
)
(f), (3.19)
La tensorisation incomplète de Smolyak dite ’sparse grid’ est donnée par la for-
mule (3.20).
IN(f) =∑
|k|≤q
(∆1k ⊗ ...⊗∆n
k)(f), (3.20)
pour q ∈ N et |k| = k1 + ... + kN . L = q − N est le niveau des sparse grid. Un
exemple de points générés par tensorisation incomplète de Smolyak de la quadrature
de ’Cleshaw Curtis’ dans le cas bidimensionnel est donné dans la figure 3.7.
−1 −0.5 0 0.5 1−1
−0.5
0
0.5
1Niveau 1
Niveau 2
Niveau 3
Figure 3.7 – Exemple bidimensionnel des Sparse Grid
106
3.3. POLYNÔMES DE CHAOS APPLIQUÉS À L’ÉVALUATION DU WBSAR AU SEIND’UNE POPULATION
Puisque les points issus des variables stochastiques Ξ appartiennent à l’intervalle
[−1, 1], une transformation dite isoprobabiliste est nécessaire [25] afin de se rame-
ner aux facteurs morphologiques Xt, Xcd, Xtp et Xtc . Cependant, ces facteurs Xt,
Xcd, Xtp et Xtc sont dépendants avec une matrice de corrélation notée R. Donc les
variables stochastiques doivent être également dépendantes.
Comme les variables stochastiques suivent une loi uniforme dans l’intervalle [−1, 1],la transformation isoprobabiliste est non-linéaire. Les équations (3.21) et (3.22)
donnent respectivement les transformations isoprobabilistes de la loi uniforme dans
[−1, 1] à une loi gaussienne de moyenne m et d’écart-type σ et de la loi uniforme
dans [−1, 1] à une loi log-normale de paramètres µ et s .
x = m+√2σ.erf−1(ξ), (3.21)
x = exp(µ+√2s.erf−1(ξ)), (3.22)
où erf(x) = 2√π
∫ x
0e−y2
dy avec x un point de la loi normale obtenue par transforma-
tion et ξ un point de la loi uniforme.
Donc les matrices de corrélation des variables stochastiques Ξ et des facteurs Xt,
Xcd, Xtp et Xtc sont différentes. La matrice de corrélation des variables stochastiques
est appelée matrice de corrélation fictive. Notons cette matrice R0.
Supposons dans un premier temps que les termes de la matrice fictive R0 soient
connus. Pour obtenir des variables stochastiques dépendantes, nous utilisons la trans-
formation de Nataf qui est décrite par les étapes suivantes :
– Transformation de variables stochastiques uniformes indépendantes Ξ en des
variables gaussiennes centrées réduites indépendantes. Notons les variables
gaussiennes indépendantes issues de cette transformation ΞN = (ξNk )k=1,...,4.
– Décomposition de Cholesky de la matrice de corrélation fictive R0 :
R0 = L0 · LT0 . (3.23)
107
CHAPITRE 3. QUANTILE DU WBSAR À 95% PAR PLAN D’EXPÉRIENCES SÉQUENTIELET POLYNÔMES DE CHAOS
– Transformation des variables gaussiennes indépendantes ΞN en des variables
gaussiennes dépendantes ΞND = (ξN
D,i)i=1,...,4 de matrice de corrélation R0 en
utilisant la transformation :
ΞND = L0 · ΞN . (3.24)
– Transformation respectivement de ξND,1, ξN
D,2, ξND,3 et ξN
D,4 en Xt, Xcd, Xtp et
Xtc.
Par exemple pour la taille nous utilisons la formule :
xi = F−1t (Φ(ξN
D,1)), (3.25)
où Φ(x) = 12
(
1 + erf(
x√2
))
.
Les termes de la matrice de corrélation fictive R0 sont déterminés à partir des
termes de la matrice de corrélation R des facteurs Xt, Xcd, Xtp et Xtc. Le tableau 3.4
donne les variables stochastiques associées aux facteurs et la notation des coefficients
de corrélations des facteurs et des variables stochastiques.
Xt (ξND,1) Xcd (ξN
D,2) Xtp (ξND,3) Xtc (ξN
D,4)
Xt (ξND,1) 1 ρ12 (ρ012) ρ13 (ρ013) ρ14 (ρ014)
Xcd (ξND,2) ρ12 (ρ012) 1 ρ23 (ρ023) ρ24 (ρ024)
Xtp (ξND,3) ρ13 (ρ013) ρ23 (ρ023) 1 ρ34 (ρ034)
Xtc (ξND,4) ρ14 (ρ014) ρ24 (ρ024) ρ34 (ρ034) 1
Table 3.4 – Variables stochastiques associées aux facteurs, coefficients de corréla-
tions des facteurs et des variables stochastiques
Pour obtenir les termes (ρ0ij)i,j=1,...,4, nous devons résoudre l’intégrale suivante :
ρij =∫ ∫
(
xi − E(Xi)σi
)(
xj − E(Xj)σj
)
ϕ2(ξND,ij, ρ0ij)
fi(xi)fj(xj)ϕ(ξN
D,i)ϕ(ξND,j)
dxidxj, (3.26)
108
3.3. POLYNÔMES DE CHAOS APPLIQUÉS À L’ÉVALUATION DU WBSAR AU SEIND’UNE POPULATION
où Xi et Xj sont respectivement les facteurs associés aux variables stochastiques
ξND,i et ξN
D,j. Cette nouvelle notation fait correspondre respectivement Xt, Xcd, Xtp
et Xtc aux X1, X2, X3 et X4.
Pour éviter de résoudre l’équation (3.26) pour tous les termes de la matrice R0,
il existe des valeurs tabulées du ratio ρ0ij
ρij. les seuls cas pour lesquels le lien entre
corrélation réelle et fictive est analytique sont ceux de deux lois gaussiennes ou une loi
gaussienne et une loi log-normale (ce qui est le cas pour les facteurs morphologiques
utilisés).
Dans le cas où Xi suit une gaussienne de moyenne m et d’écart-type s et Xj suit
une log-normale de paramètres µ et s, nous avons :
ρ0ij = ρijs
√
ln(1 + s2). (3.27)
Dans le cas où Xi suit une loi log-normale de paramètres µi et si et d’écart-type
et Xj suit une loi log-normale de paramètres µj et sj, nous avons :
ρ0ij = ρijln (1 + ρijsisj)
√
ln (1 + s2i ) ln (1 + s2
j). (3.28)
Le choix des polynômes dépend du choix de la loi associée aux variables stochas-
tiques. Le tableau 3.5 montre les polynômes de chaos associés à quelques variables
stochastiques [33].
loi des variables stochastiques Polynôme de chaos support
Gaussienne Hermite ]−∞,+∞[
Gamma Laguerre [0,+∞[
Beta Jacobi [a, b]
Uniforme Legendre [a, b]
Table 3.5 – Les polynômes de chaos associés aux lois de quelques variables stochas-
tique
Nous partons de variables stochastiques uniformes dans l’intervalle [−1, 1], lespolynômes orthogonaux appropriés à ce choix sont les polynômes de Legendre. Ces
polynômes sont donnés par la relation de récurrence suivante :
109
CHAPITRE 3. QUANTILE DU WBSAR À 95% PAR PLAN D’EXPÉRIENCES SÉQUENTIELET POLYNÔMES DE CHAOS
(n+ 1)Ψn+1(ξ) = (2n + 1)ξΨn(ξ)− nΨn(ξ),
avec Ψ0(ξ) = 1, Ψ1(ξ) = ξ.
Ces polynômes sont orthogonaux sur l’intervalle [−1, 1].
< Ψn,Ψm >=2
2n+ 1δnm, (3.29)
Cependant, cette formulation est donnée pour un cas unidimensionnel. Dans le
cas multidimensionnel, la construction de ces polynômes se fait en faisant le pro-
duit des polynômes unidimensionnels. Nous définissons alors un indice noté αi. Les
polynômes multidimensionnels sont donnés par (3.30).
Ψk(Ξ) =n∏
i=1
Ψαi(ξi), (3.30)
Par exemple pour un cas bidimensionnel, la construction de polynômes d’ordre
3 est donnée dans le tableau 3.6 [33].
(α1, α2) Ψk polynômes bidimensionnels
(0, 0) Ψ0 1
(0, 1) Ψ1 ξ1
(1, 0) Ψ2 ξ2
(2, 0) Ψ332ξ2
1 − 12
(1, 1) Ψ4 ξ1ξ2
(0, 2) Ψ532ξ2
2 − 12
(3, 0) Ψ652ξ3
1 − 32ξ1
(2, 1) Ψ732ξ2
1ξ2 − 12ξ2
(1, 2) Ψ832ξ1ξ
22 − 1
2ξ1
(0, 3) Ψ952ξ3
2 − 32ξ2
Table 3.6 – polynômes de Legendre d’ordre 3 développés pour un cas bidimensionnel
110
3.3. POLYNÔMES DE CHAOS APPLIQUÉS À L’ÉVALUATION DU WBSAR AU SEIND’UNE POPULATION
La quadrature creuse de Clenshaw Curtis ainsi que la tensiorisation incomplète
de Smolyak permettent de réduire considérablement le nombre de points permettant
de donner une estimation aux coefficients modaux. Malgré cela, le nombre de ces
points augmente de manière significative en fonction de la dimension. Dans notre
cas, nous avons quatre dimensions. Le tableau 3.7 donne le nombre de points en
fonction de l’ordre des polynômes dans le cas de trois dimensions et le cas de quatre
dimensions.
Ordre 3D 4D
Ordre 1 7 19
Ordre 2 25 41
Ordre 3 69 137
Ordre 4 177 401
Table 3.7 – Nombre de points en fonction de l’ordre des polynômes de chaos
La précision de l’estimation dépend de l’ordre. Nous allons augmenter l’ordre
des polynômes jusqu’à l’ordre 4 au fur et à mesure afin d’avoir une convergence de
la distribution du WBSAR. Cependant, avec 4 facteurs le nombre de simulations à
effectuer pour l’ordre 4 est de 401. Ce nombre de simulations est très coûteux en
temps de calcul. Nous allons essayer de réduire le nombre de facteurs en décrivant un
facteur en fonction d’un autre. La figure 3.8 montre le tour de ceinture en fonction
du tour de poitrine chez les adultes français.
Nous remarquons une forte corrélation entre ces deux facteurs. Afin de réduire
le nombre de facteurs, nous éliminons le facteur tour de ceinture en utilisant la
régression linéaire pour obtenir le tour de ceinture. Ceci va nous permettre de réduire
le nombre de simulations afin d’estimer les coefficients modaux.
3.3.1 Distribution du WBSAR dans la population française
Dans cette section, nous allons utiliser les plynômes de chaos afin d’obtenir la dis-
tribution du WBSAR pour la population française. Cependant, nous n’utilisons que
trois facteurs morphologiques (stature, tour de poitrine et carrure devant). En ce qui
111
CHAPITRE 3. QUANTILE DU WBSAR À 95% PAR PLAN D’EXPÉRIENCES SÉQUENTIELET POLYNÔMES DE CHAOS
60 80 100 120 140 16060
70
80
90
100
110
120
130
140
150
Tour de poitrine
To
ur
de
ce
intu
re
Figure 3.8 – Tour de ceinture en fonction du tour de poitrine
concerne l’ordre des polynômes, nous avons fait 177 simulations. Ce qui correspond
au niveau 4 de la quadrature.
112
3.3. POLYNÔMES DE CHAOS APPLIQUÉS À L’ÉVALUATION DU WBSAR AU SEIND’UNE POPULATION
0 5 10 150
50
100
150
WBSAR (mW/kg)
Ordre 1
0 5 10 150
50
100
150
200
WBSAR (mW/kg)
Ordre 2
0 5 10 150
100
200
300
400
WBSAR (mW/kg)
Ordre 3
0 5 10 150
200
400
600
800
WBSAR (mW/kg)
Ordre 4
Figure 3.9 – Distribution du WBSAR en fonction de l’ordre des polynômes
113
CHAPITRE 3. QUANTILE DU WBSAR À 95% PAR PLAN D’EXPÉRIENCES SÉQUENTIELET POLYNÔMES DE CHAOS
La figure 3.9 donne les résultats issus de ces simulations. Nous remarquons que
généralement la distribution du WBSAR obtenue à l’ordre 4 n’a pas convergé . En
effet, la distribution du WBSAR obtenue à l’ordre 4 est différente de celle obtenue
à l’ordre 3. De plus, nous observons l’apparition de valeurs négatives (0.1 % ) au
niveau de cette distribution à l’ordre 4. Or, nous savons que le WBSAR est une
grandeur positive par définition.
Ce comportement peut être expliqué par le fait que les connaissances physiques
concernant le WBSAR n’ont pas été intégrées dans ce modèle. En effet, nous savons
que la profondeur du fantôme est un facteur important pour le WBSAR. Donc le
rapport entre le tour de poitrine et la carrure devant et celui entre le tour de ceinture
et la carrure devant doivent être considérés. Or, parmi les facteurs utilisés dans le
modèle (3.12), nous utilisons le facteur Xcd décrivant la carrure devant. L’utilisation
de ce facteur ne permet pas aux différents monômes du modèle de tenir compte
de ces rapports. Nous pensons que pour améliorer les résultats, il faudrait utiliser
l’inverse du facteur Xcd.
Néanmoins, nous sommes intéressés par les valeurs élevées de la distribution
(valeur du quantile à 95 %) du WBSAR. La distribution du WBSAR converge par-
tiellement pour ces valeurs élevées (la distribution partielle à l’ordre 3 est comparable
à la distribution partielle à l’ordre 4).
Puisque notre objectif est de déterminer le quantile du WBSAR à 95 %, ce
quantile se stabilise entre l’ordre 3 et l’ordre 4. La figure 3.10 montre l’évolution de
ce quantile en fonction de l’ordre des polynômes de chaos.
La figure 3.10 montre que le quantile du WBSAR à 95 % et la valeur obtenue pour
ce quantile est de 8.1 mW/kg. Cependant, puisque nous obtenons une convergence
partielle de la distribution, dans la section suivante nous allons introduire de la
connaissance physique dans ce modèle construit en modifiant les variables d’entrées.
114
3.3. POLYNÔMES DE CHAOS APPLIQUÉS À L’ÉVALUATION DU WBSAR AU SEIND’UNE POPULATION
1 1.5 2 2.5 3 3.5 46
6.5
7
7.5
8
8.5
Ordre
WB
SA
R (
mW
/kg
)
Figure 3.10 – L’évolution du quantile à 95 % en fonction de l’ordre des polynômes
de chaos
3.3.2 Modification des variables d’entrées
Dans la section précédente, l’application de la méthode des polynômes de chaos
en utilisant comme variables d’entrées la taille, le tour de poitrine et la carrure
devant induisent une distribution du WBSAR avec des valeurs négatives. Or, nous
savons que le rapport du tour de poitrine et de la carrure devant est important dans
la construction d’un modèle du WBSAR. En effet, ce rapport donne une idée sur la
profondeur du fantôme et par conséquent une idée sur la masse de celui-ci (la masse
est un facteur primordial pour un modèle du WBSAR).
L’utilisation de la carrure devant dans le modèle construit par polynômes de
chaos, ne permet pas de décrire dans ce modèle ce rapport. En effet, dans les mo-
nômes de ce modèle nous aurons uniquement le produit du tour de poitrine et de la
carrure devant avec différentes puissances. Afin d’introduire ce rapport, nous avons
remplacé le facteur décrivant la carrure devant par son inverse. Ce changement
pourrait permettre une convergence rapide de la distribution du WBSAR et éviter
l’apparition de valeurs négatives.
115
CHAPITRE 3. QUANTILE DU WBSAR À 95% PAR PLAN D’EXPÉRIENCES SÉQUENTIELET POLYNÔMES DE CHAOS
La figure 3.11 montre les distributions obtenues en fonction de l’ordre de des
polynômes de chaos.
0 0.002 0.004 0.006 0.008 0.01 0.0120
20
40
60
80
100
120
140
WBSAR (W/kg)
Ordre 1
0 0.002 0.004 0.006 0.008 0.01 0.0120
50
100
150
200
WBSAR (W/kg)
Ordre 2
0 0.002 0.004 0.006 0.008 0.01 0.0120
50
100
150
200
WBSAR (W/kg)
Ordre 3
0 0.002 0.004 0.006 0.008 0.01 0.0120
50
100
150
200
250
300
WBSAR (W/kg)
Comparaison de l‘ordre 2 et l‘ordre 3
WBSAR : ordre 3
WBSAR : ordre 2
Figure 3.11 – Evolution de la distribution du WBSAR en fonction de l’ordre des
polynômes de chaos
116
3.3. POLYNÔMES DE CHAOS APPLIQUÉS À L’ÉVALUATION DU WBSAR AU SEIND’UNE POPULATION
Comme le montre la figure 3.11, nous avons une convergence de toute la distri-
bution du WBSAR. De plus, nous avons une convergence rapide de cette méthode.
En effet, l’ordre 3 des polynômes suffit que pour cette méthode converge (69 simu-
lations).
En ce qui concerne le quantile du WBSAR à 95 %, celui-ci est égal à 7.9 mW/kg.
La figure montre l’évolution de ce quantile en fonction de l’ordre des polynômes.
1 1.5 2 2.5 37.8
8
8.2
8.4
8.6
8.8
9
9.2
9.4
Ordre
WB
SA
R (
mW
/kg
)
Figure 3.12 – Evolution du quantile du WBSAR à 95 % en fonction de l’ordre des
polynômes
Nous constatons que la valeur du quantile du WBSAR à 95 % ne change pas
en changeant la variable d’entrée. Cette valeur est de 7.9 mW/kg. Ceci confirme la
convergence partielle de la méthode dans la section précédente.
Dans la section suivante nous allons comparer les résultats issus du plan d’expé-
riences séquentiel et celui obtenu par les polynômes de chaos.
117
CHAPITRE 3. QUANTILE DU WBSAR À 95% PAR PLAN D’EXPÉRIENCES SÉQUENTIELET POLYNÔMES DE CHAOS
3.3.3 Comparaison du quantile à 95 % issu du plan d’expé-
riences et des polynômes de chaos
L’utilisation du plan d’expériences séquentiel a donné une valeur du quantile
du WBSAR à 95 % de 7 mW/kg pour la population française extraite de la base
de données anthropométrique. Pour cette même population, nous avons obtenu une
valeur du quantile à 95 % de 7.9 mW/kg pour la seconde méthode.
Les deux valeurs obtenues par les deux méthodes diffèrent de 13 %. Cette dif-
férence pourrait provenir du fait que le nombre des facteurs utilisés dans les deux
méthodes n’est pas le même. En effet, dans la méthode du chaos polynômial nous
avons vu que l’utilisation de tous les facteurs morphologiques externes (c’est-à-dire
4 facteurs) requiert l’exécution de 137 simulations pour l’ordre 3 et 401 simulations
pour un ordre 4 . Ce nombre de simulations est très coûteux. Afin d’éviter ce nombre
important de simulations nous avons réduit le nombre de facteurs en éliminant un
facteur dont la corrélation est forte avec un autre facteur. Le facteur que nous avons
éliminé est le tour de ceinture qui est fortement corrélé avec le tour de poitrine. L’éli-
mination de ce facteur supprime toute sa variabilité et supprime donc la propagation
de l’incertitude liée à celui-ci.
3.3.4 Conclusion du chapitre
Afin de déterminer le quantile du WBSAR à 95 %, l’utilisation des fantômes
hétérogènes requiert en plus des facteurs morphologiques externes, les facteurs mor-
phologiques internes pour construire un modèle du WBSAR. Puisque nous ne dis-
posons pas de données statistiques sur la morphologie interne, nous avons utilisé des
fantômes homogènes. Un fantôme homogène conserve la même enveloppe corporelle
du fantôme hétérogène mais ces différents tissus internes sont remplacés par un tissu
équivalent. L’utilisation des fantômes homogènes permet de s’affranchir des facteurs
morphologiques internes.
Afin d’élargir notre base de données de fantômes, nous avons adapté la technique
de morphing en utilisant comme variables de déformation, les variables de la base
118
3.3. POLYNÔMES DE CHAOS APPLIQUÉS À L’ÉVALUATION DU WBSAR AU SEIND’UNE POPULATION
de données anthropométriques. Ces variables sont la taille, la carrure devant le tour
de poitrine et le tour de ceinture. En ce qui concerne les tours de poitrine et de
ceinture nous avons considéré ces tours comme étant elliptiques. La carrure devant
a été ensuite assimilée au grand axe de ces ellipsoïdes. Finalement, les profondeurs
ont été déduites et intégrées dans la technique de morphing.
Pour déterminer le quantile du WBSAR à 95 %, nous avons utilisé deux mé-
thodes. La première méthode que nous avons appelée plan d’expériences séquentiel,
permet d’obtenir uniquement un quantile donné de la distribution. Cette méthode
repose sur un modèle paramétrique du WBSAR et de l’inférence bayésienne. Nous
avons établi un modèle du WBSAR en utilisant les simulations existantes dans le
cas d’un fantôme homogène éclairé de face par une onde plane à la fréquence de 2.1
GHz. Ce modèle est choisi intelligemment car il fait intervenir la taille qui est un fac-
teur important et les rapports tour de poitrine et carrure devant et tour de ceinture
et carrure devant. Ces deux rapports donnent la profondeur du fantôme qui rem-
placent la masse du fantôme. L’inférence bayésienne est ensuite utilisée pour générer
des échantillon des paramètres du modèle. Chaque vecteur de paramètres généré par
l’inférence bayésienne est un modèle du WBSAR avec lequel le quantile du WBSAR
à 95 % est déterminé en utilisant les lois des facteurs morphologiques de la popu-
lation étudiée. L’ensemble de quantiles à 95 % établi pour tous les modèles forme
une distribution du quantile du WBSAR à 95%. Le principe est alors de trouver
la simulation suivante à utiliser afin de réduire l’écart-type de cette distribution du
quantile à 95 %. Après 26 itérations (ajout de 26 simulations), l’écart-type de cette
distribution a diminué de 0.68 mW/kg à 0.2 mW/kg. Nous avions alors choisi comme
valeur du quantile à 95 %, la moyenne de la distribution du quantile à 95 %. Cette
valeur est égale à 7 mW/kg. De plus, nous avons trouvé un fantôme correspondant
à cette valeur dans les simulations que nous avons ajoutées séquentiellement.
Cependant, cette méthode permet d’obtenir uniquement un quantile donné de
la distribution. La deuxième méthode que nous avons proposé permet d’obtenir
une estimation de toute la distribution du WBSAR et en particulier le quantile du
WBSAR à 95 %. Cette méthode consiste à décomposer le WBSAR sur une base
119
CHAPITRE 3. QUANTILE DU WBSAR À 95% PAR PLAN D’EXPÉRIENCES SÉQUENTIELET POLYNÔMES DE CHAOS
polynomiale. Ces polynômes sont appelés les polynômes de chaos. Les coefficients
du modèle issus de cette décomposition sont obtenus par quadrature dans le cas
unidimensionnel et ensuite par tensorisation dans le cas multidimensionnel. Nous
avons choisi la quadrature et la tensorisation les moins coûteuses. Malgré ce choix,
le nombre de simulation à exécuter reste important (c’est-à-dire 401 simulation).
Pour réduire ce nombre de simulations nous avons réduit le nombre de facteurs
d’entrée en éliminant le tour de ceinture qui est fortement corrélé au tour de poi-
trine. Les résultats obtenus en fonction de l’ordre des polynômes montrent que la
distribution du WBSAR n’a convergé que partiellement. En effet, nous avons obtenu
une convergence pour les valeurs élevées du WBSAR. En plus de cette convergence
partielle nous avons obtenu quelques valeurs négatives du WBSAR au niveau de la
distribution, ce qui est contradictoire avec la définition du WBSAR. Pour éviter cette
non-convergence, nous avons introduit des connaissances physiques dans le modèle.
En effet, nous savons que le rapport du tour de ceinture et de la carrure devant est
un facteur important dans la construction d’un modèle du WBSAR. Or, nous avons
utilisé comme facteurs d’entrées pour ce modèle la taille, le tour de poitrine et la
carrure devant. Les combinaisons de ces facteurs dans les monômes de ce modèle ne
pourront pas faire apparaître ce rapport. Afin de faire apparaître ce rapport, nous
avons utilisé comme facteur d’entrées l’inverse de la carrure devant au lieu de la car-
rure devant. Ce changement a permis d’avoir une convergence rapide de la méthode
(69 simulations). Nous avons obtenu une valeur du quantile du WBSAR à 95 % de
7.9 mW/kg.
La différence entre le quantile obtenu par le plan d’expériences séquentiel et le
chaos polynômial est peut être dûe au nombre de facteurs utilisés dans les deux
méthodes. En effet, dans le chaos polynômial nous avons supprimé un facteur. Donc
toute l’incertitude liée à ce facteur est négligée.
120
Conclusion générale
Afin d’étudier l’exposition aux ondes électromagnétiques à l’échelle d’une po-
pulation, nous disposions d’un ensemble de 18 modèles anatomiques (fantômes).
Le nombre limité de ces fantômes ne permet pas l’utilisation de méthodes de type
Monte Carlo. L’idée est donc de construire un modèle du WBSAR en fonction des
facteurs morphologiques humains. Ce modèle est ensuite ajusté en utilisant les don-
nées des fantômes (facteurs morphologiques et WBSAR). Les données statistiques
des facteurs morphologiques et le modèle établi vont permettre l’estimation de la
distribution du WBSAR dans une population donnée. Comme nous cherchons à étu-
dier l’exposition maximale des personnes aux ondes électromagnétiques nos efforts
se sont concentrés dans l’estimation du quantile du WBSAR à 95 %.
Cette étude est menée dans le cadre d’une onde plane orientée frontalement avec
une puissance incidente de 1 W/m2 et à une fréquence de 2100 MHz.
Dans un premier temps le travail a consisté à identifier les facteurs morpholo-
giques impactant le WBSAR. Pour ce faire, nous avons utilisé différentes régressions
permettant d’établir des modèles pour le WBSAR. Nous avons utilisé les mesures
anthropométriques de tous les fantômes ainsi que leurs valeurs du WBSAR corres-
pondantes afin d’ajuster les paramètres de ces régressions.
En ce qui concerne le choix des facteurs, nous avons utilisé des facteurs comme
le BSA (Body Surface Area), le BMI (Body Mass Index) ou encore la masse. Ces
facteurs ont été choisis pour remplacer la surface du corps exposée à l’onde. En effet,
des études montrent qu’à hautes fréquences l’absorption des ondes est surfacique et
donc le WBSAR est proportionnel à la surface exposée divisée par la masse.
L’utilisation des seuls facteurs morphologiques externes, engendre une erreur impor-
121
Conclusion générale
tante sur l’estimation des WBSAR des fantômes (entre 30 et 40 %).
Par ailleurs, nous avons observé que ces mêmes modèles donnent une très bonne
estimation du WBSAR pour les familles de fantômes, où la famille est composée
d’un fantôme initial et les fantômes issus de celui-ci par la technique de morphing.
Nous avons observé que chez ces familles de fantômes les proportions de tissus in-
ternes (proportion de peau, graisse, muscles et os) restent presque identiques. Cette
très bonne estimation est donc due à ces proportions de tissus identiques au sein de
chaque famille. Afin d’améliorer ces modèles, nous avons introduit ces facteurs dans
le modèle du WBSAR. Cela a permis de diminuer l’erreur de 40 à 10 %. De plus le
test statistique de Student montre que ces facteurs sont très significatifs (c’est-à-dire
que la probabilité que les paramètres associés à ces facteurs soient nuls est inférieure
au risque 0.05).
Un modèle du WBSAR fait intervenir à la fois des facteurs morphologiques ex-
ternes et des facteurs morphologiques internes. En ce qui concerne les facteurs mor-
phologiques externes, des données statistiques de ces facteurs sont disponibles dans
la littérature. Cependant, nous ne disposons pas de données statistiques des facteurs
morphologiques internes pour des populations (à l’exception de quelques moyennes
fournies par l’ICRP).
Un modèle du WBSAR, s’écrit finalement comme le produit de deux variables
aléatoires, l’une d’entre elles décrit les facteurs morphologiques internes et l’autre
décrit le facteur morphologique externe. Puisque nous ne disposons pas de données
statistiques de la variable décrivant la morphologie interne, nous avons intégré des
connaissances physiques (variable positive et bornée), des informations fournies par
les fantômes (moyenne) et finalement quelques hypothèses (indépendance entre la
variable décrivant la morphologie interne et celle décrivant la morphologie externe).
Nous avons modélisé la variable aléatoire dépendant de la morphologie interne
par des lois paramétriques usuelles. Nous avons ensuite appliqué ces lois à la popula-
tion française âgée de 20 ans. Nous obtenons des quantiles du WBSAR très proches
quelle que soit la loi utilisée. L’avantage des lois paramétriques usuelles est qu’elles
permettent de relâcher l’hypothèse de l’indépendance en utilisant la transformation
122
de Nataf. En relâchant cette hypothèse nous avons remarqué que le quantile du WB-
SAR à 95 % augmente.
Puisque nous ne connaissons pas la loi de la variable aléatoire décrivant les facteurs
morphologiques internes, nous avons ensuite utilisé un mélange de gaussiennes pour
modéliser cette variable aléatoire. L’objectif de cette modélisation était de trouver
une loi pour cette variable qui maximise le seuil à 95 %. Cependant les premiers
résultats donnaient des densités de probabilités qui n’étaient pas représentatives de
nos fantômes (Les fantômes ont une probabilité d’apparition nulle). Nous avions
ensuite introduit la contrainte d’unimodalité. Cette contrainte permet d’obtenir des
densités de probabilité avec des probabilité non-nulles pour les fantômes. Cependant,
nous avons observé des fluctuations au niveau de ces densités de probabilités. Or,
la plupart des densités de probabilité que nous rencontrons pour des facteurs mor-
phologiques ne présentent pas de fluctuations. C’est pourquoi nous avons introduit
le critère de Rayleigh. Ce critère a permis d’obtenir des densités sans fluctuations.
Ces densités de probabilité permettent d’obtenir un quantile du WBSAR à 95 %
supérieur à celui obtenu par les lois usuelles.
Les densités de probabilités des facteurs morphologiques d’une population humaine
présentent une concentration de la densité autour de la moyenne. Afin d’obtenir ce
comportement, nous avons introduit en plus de l’unimodalité et le critère de Ray-
leigh, une contrainte sur la variance. Cette contrainte permet d’obtenir des densités
de probabilité avec une concentration de la densité autour de la moyenne. Le quan-
tile du WBSAR à 95 % est dans le même ordre de grandeurs que celui obtenu en
utilisant les lois usuelles.
Puisque les facteurs morphologiques internes agissent sur le WBSAR et que nous
n’avons pas de données statistiques pour ces facteurs, nous avons homogénéisé les
fantômes en considérant un seul tissu équivalent. Comme les simulations numériques
en utilisant la FDTD sont très coûteuses, les méthodes de types Monte Carlo ne
peuvent pas être utilisées. L’idée est toujours de construire un modèle du WBSAR
en fonction de la morphologie.
Ce modèle a été construit en utilisant douze fantômes homogènes. Cette relation
123
Conclusion générale
est statistiquement valide (au sens du test de Student) et donne une très petite er-
reur (5 %). Cependant, ces fantômes ne sont pas issus d’un plan d’expériences ou
d’un tirage au sein de la population. Afin de s’assurer la validité de cette relation
nous avons utilisé un plan d’expériences D-optimal et nous avons proposé un plan
d’expériences séquentiel utilisant le modèle établi et l’inférence bayésienne. Ce plan
séquentiel permet de choisir des morphologies (fantômes) permettant de raffiner la
région à 95 %. Cette méthode a permis d’obtenir le seuil du WBSAR à 95 % dans la
population française. Pour corroborer ces résultats, nous avons utilisé les polynômes
de chaos afin d’approcher toute la distribution du WBSAR et d’en déduire le seuil à
95 %. Nous avons obtenu une convergence partielle de la distribution du WBSAR.
En effet, les valeurs élevées de la distribution ont convergé. Cependant, nous obser-
vons des valeurs négatives du WBSAR. Ceci peut être dû à la non intégration des
connaissances physiques (utilisation de l’inverse de la carrure devant dans le modèle
afin de tenir compte de la profondeur des fantômes). L’introduction de l’inverse de
la carrure devant a permis une convergence rapide (c’est-à-dire une convergence à
l’ordre 3 des polynômes de chaos) de la méthode et éviter l’apparition de valeurs
négatives. La valeur du quantile du WBSAR à 95 % est égale à 7.9 mW/kg. Cette
valeur ne diffère pas beaucoup de la valeur obtenue par le plan d’expériences séquen-
tiel. La différence est de seulement 13 %. Elle pourrait provenir du fait que dans
la méthode du chaos polynômial nous avons éliminé un facteur qui est le tour de
ceinture. Donc, toute l’incertitude liée à ce facteur est négligée.
La morphologie humaine est une source d’incertitude qui impacte le WBSAR.
Cependant, cette source d’incertitude n’est pas la seule. En effet, avec le développe-
ment des technologies sans fils, les personnes sont exposées à des sources différentes
et multiples (WiFi, FM, GSM, ...). Ces sources d’incertitudes doivent être carac-
térisées (lois, durées d’émission). Le projet financé par L’Agence Nationale de la
Recherche (ANR) Multipass (MULTIPle sources exposure ASSessment) traite cette
problématique [29].
Une autre source d’incertitude provient de la posture (position debout, assis,...).
En effet, des études montrent que le WBSAR varient en fonction de la posture
124
également [16].
Toutes ces sources d’incertitudes doivent être caractérisées afin d’évaluer une
exposition réelle dans une population donnée. En ce qui concerne la morphologie
interne, la loi jointe de celle-ci doit être caractérisée en enrichissant la base de données
des fantômes.
125
Annexe A
D-optimalité
Commençons par donner un rappel de la méthode des moindres carrés. Supposons
que l’on ait effectué n mesures pour un ensemble de p variables. Ces variables sont
représentées par x1, x2, ..., xp et y est la variable à expliquer.
Nous cherchons alors à reproduire y par les xj via un modèle linéaire. Nous
écrivons alors
y = β0 + β1x1 + β2x2 + ...+ βpxp, (A.1)
Nous cherchons la variable y de manière à ce qu’elle soit le plus proche possible
de y. l’un des critères le plus utilisé est celui des moindres carrés qui consiste à
minimiser l’erreur quadratique : e2 =n∑
i=1
(yi − yi)2.
Notons par
X =
1 x11 · · · x1p
...... · · ·
1 xn1 · · · xnp
(A.2)
la matrice d’expériences et par
b =
b0
b1
...
bp
, (A.3)
126
le vecteur des paramètres. nous avons alors y = Xb, l’erreur quadratique s’écrit
alors comme suit :
e2 = (y −Xb)′ (y −Xb)
L’optimum du vecteur de coefficients b permettant de minimiser l’erreur qua-
dratique s’obtient par l’équation [38] : ∂e2
∂b= 0. La solution de cette équation est :
b = (XX′)−1Xy,
Afin de donner une estimation aux paramètres du modèle (A.1), des expériences
doivent être effectuées. Le choix de ces expériences impacte directement l’estimation
des paramètres du modèle.
Considérons maintenant les écarts entre les réponses mesurées et les valeurs don-
nées par le modèle postulé (A.1). Si ces écarts sont supposés suivre une loi gaussienne
centrée et sont supposés indépendants, alors la région de confiance des paramètres
est un ellipsoïde.
Si nous choisissons un niveau de risque α = 5%, le vecteur des paramètres incon-
nus b a 95 % de chances de se trouver dans une région centrée autour de l’estimation
de b, définie par l’inégalité
(b− b)t(X′
X)−1(b− b) ≤ ps2Fα(p, n− p), (A.4)
où s2 la variance estimée (empiriquement) de l’erreur du modèle, n le nombre de
facteurs, p le nombre des expériences et Fα(p, n − p) est la valeur lue dans la table
de la fonction de Fisher à p et n− p degré s de liberté au risque α.
Si l’erreur est gaussienne, le volume de l’ellipsoïde est proportionnel au produit
des longueurs de ses axes, donc à la racine carrée du produit des valeurs propres
de la matrice (X tX)−1 [14, 3]. Ce dernier produit est le déterminant de la matrice
(X tX)−1.
Un plan D-optimal (D comme déterminant) minimise le carré du volume de
l’ellipsoïde de confiance au risque α, c’est-à-dire, le produit des valeurs propres de
la matrice (X tX)−1.
127
ANNEXE A. D-OPTIMALITÉ
Afin d’obtenir un plan d’expérience D-optimal, nous utilisons un algorithme ap-
pelé algorithme d’échange. Cet algorithme part d’une discrétisation de l’espace des
facteurs, c’est-à-dire d’un maillage qui représente les points d’expérience candidats
au plan d’expériences D-optimal.
L’algorithme d’échange consiste à choisir n expériences parmi les points candidats
qui minimisent le critère de D-optimalité det((X tX)−1) ou de manière équivalente
les points candidats qui maximisent le critère det(X tX).
L’algorithme d’échange s’effectue suivant les étapes suivantes :
1. Nous choisissons un maillage de n points correspondant aux expériences can-
didats. Ce choix est souvent effectué par expertise ou aléatoirement sinon. Avec ce
maillage, nous construisons un premier plan expérimental et la matrice X corres-
pondante.
2. Génération d’un plan initial noté P0
3. Amélioration du plan initial P0 suivant le critère d’optimalité P1, ..., Pn selon
le critère du déterminant.
4. Arrêt quand le plan ne peut plus être amélioré.
128
Annexe B
Metropolis Hastings
Dans la littérature, nous avons des algorithmes permettant de générer des lois
usuelles. Par exemple, l’algorithme de Box et Muller permettant de générer un échan-
tillon d’une loi normale. Cependant, il existe des lois qui sont obtenues en combinant
plusieurs lois usuelles (par exemple une loi a posteriori). Afin d’obtenir un échan-
tillon en provenance de ces lois, nous utilisons l’algorithme de Metropolis Hastings
[8, 43].
Cet algorithme est une méthode d’acceptation et rejet utilisant une chaîne de
Markov. Supposons que l’on veuille obtenir un échantillon d’une loi de densité notée
π(x). Nous introduisons une transition d’une chaîne de Markov noté q(a|b). Cettetransition est appelée loi instrumentale. Cette loi doit avoir un support contenant le
support de la loi π(x) . L’algorithme de Metropolis Hastings est décrit comme suit :
Une des transition utilisée consiste à générer un candidat x et ajouter une per-
turbation ǫ. C’est à dire que l’expression de la loi q est donné par x = xj + ǫ. La
perturbation ǫ est souvent choisie comme étant une loi gaussienne ou uniforme.
Afin de choisir x avec la probabilité α, nous générons un échantillon u suivant
une loi uniforme dans l’intervalle [0, 1]. Le candidat x est accepté si uj < α(xj, x).
129
ANNEXE B. METROPOLIS HASTINGS
Algorithme 2 Algorithme de Metropolis Hastings1. Initialiser x0
2. à l’itération j
simuler x = q(x\xj−1)
calculer α = min(
1, π(x)π(xj−1)
q(xj−1\x)q(x\xj−1)
)
accepter x avec la probabilité α :
xj =
x, avec la probabilité α
xj−1sinon,(B.1)
3. j ← j+1 et aller en 2
130
Annexe C
Quelques lois paramétriques
usuelles
C.0.5 Lois normale et log-normale
L’expression de la densité de la loi normale, de paramètres µ et σ2, est donnée
par l’équation (C.1)
f(x) =1
σ√2π
exp
(
−x− µ√2σ
)2
, (C.1)
Le support de cette densité de probabilité est l’ensemble R. La fonction de ré-
partition de la loi normale est donnée par l’équation (C.2).
F (x) =12
(
1 + erf
(
x − µ
σ√2
))
, (C.2)
Afin de générer un échantillon suivant une loi normale de paramètres µ et σ2, nous
définissons deux variables aléatoires indépendantes et uniformes dans l’intervalle
[0, 1] U1 et U2.
La variable aléatoire X = cos (2πU1)√
−2 log(U2) suit une loi normale centrée
réduite. La variable aléatoire σX + µ suit une loi normale de paramètres µ et σ2.
Dans le cas multidimensionnel, pour générer X = (X1, ...., Xn) un vecteur gaus-
sien de vecteur moyenne m = (m1, ..., mn) et de matrice de covariance Γ, nous
construisons un vecteur composé de n gaussiennes centrées réduites et indépen-
131
ANNEXE C. QUELQUES LOIS PARAMÉTRIQUES USUELLES
dantes Y = (Y1, ..., Yn), la variable aléatoire X est donnée par X est alors donnée
par X = RY +m, où R est la racine carrée de la matrice Γ, obtenue par la décom-
position de Cholesky.
Une variable X suit une loi log-normale de paramètres µ et σ2 si X = exp(Y ),
où Y est une variable aléatoire suivant une loi normale de moyenne µ et de variance
σ2.
C.0.6 Loi Bêta
La densité de probabilité d’une variable aléatoire suivant une loi Bêta de para-
mètres a et b, est donnée par l’équation (C.3)
f(x) =1
β(a, b)xa−1(1− x)β−11[0,1](x), (C.3)
où β(a, b) =∫ 1
0xa−1(1− x)b−1dx.
Le support de cette loi est l’intervalle [0, 1]. La fonction de répartition de la loi
Bêta est donnée par l’expression (C.4)
F (x) =βx(a, b)β(a, b)
, (C.4)
où βx(a, b) =∫ x
0xa−1(1− x)b−1dx.
Afin de générer un échantillon de cette loi, nous procédons comme suit :
– génération de u suivant une loi uniforme sur [0, 1], et prendre x = u1a .
– génération de v suivant une loi uniforme sur [0, 1], et prendre y = v1b .
– les deux variables x et y doivent respecter x + y ≤ 1.
– xx+y
suit une loi Bêta de paramètres a et b.
C.0.7 Loi Gamma
La densité de probabilité d’une variable aléatoire suivant une loi Gamma de
paramètres k > 0 et λ > 0 est donnée par (C.5)
f(x) =λ
Γ(k)exp(−λx)(λx)k−1 pour x positif ou nul, (C.5)
132
où Γ(k) =∫ +∞
0xk−1 exp(−x)dx.
La fonction de répartition de la loi Gamma est donnée par l’expression (C.6).
F (x) =γ(k, xλ)Γk
, (C.6)
où γ(k, x) =∫ x
0e−ttk−1dt.
Afin de générer un échantillon suivant cette loi, notons par [k] la partie entière
de k et notons q = k − [k].
– Génération de z =[k]∑
i=1
ui où les ui sont uniformes dans l’intervalle [0, 1]
– Génération de w suivant une loi Bêta de paramètres q et 1− q
– Génération de y = log u ou u est uniforme sur [0, 1]
– x = z+wyλ
suit une loi gamma de paramètres k et λ
C.0.8 Loi de Weibull
la densité de probabilité d’une variable aléatoire X suivant une loi de Weibull de
paramètres λ > 0 et c > 0 est donnée par l’équation (C.7).
f(x) = λc(λx)c−1 exp(−(λx)c) (C.7)
Le support de cette loi est [0,+∞[. Sa fonction de répartition est donnée par la
formule .
f(x) = 1− e−( xλ
)1c , (C.8)
Afin de générer un échantillon suivant une loi gamma, nous générons une variable
aléatoire uniforme U et nous utilisons l’expression suivante :
X =(− log(1− U))
1c
λ(C.9)
133
Bibliographie
[1] M. J. Ackerman. Accessing the visible human project. http://www.nlm.nih.
gov/research/visible/visible_human.html.
[2] Arcep. Observatoire trimestriel des communications électroniques (services mo-
biles) en France –1er trimestre 2010 - résultats provisoires - publication le 6 mai
2010. www.arcep.fr/index.php?id=9453.
[3] A. C. Atkinson and A. N. Donev. Optimum Experimental Designs. OXFORD,
Canterbury, 1996.
[4] J. P. Beranger. A perfectly matched layer for the absorption of electromagnetic
waves. J. Comput. Phys, 4 :185–200, 1994.
[5] G. Blatman. Adaptative sparse polynomial chaos expansions for uncertainty pro-
pagation and sensivity analysis. PhD thesis, Université Blaise Pascal, Clermont-
Ferrand, 2009.
[6] CEI. International Standard 62209-1 : Human exposure to radio frequency fields
from hand-hold and body-mounted wireless communication devices-Human mo-
dels, instrumentation and procedures. http://webstore.iec.ch/preview/
info_iec62209-1{ed1.0}.pdf.
[7] C. Chauvière, J. S. Hesthaven, and D. Lautru. Nataf transformation point
estimate method. Society of industrial and applied mathematics, 28 :751–775,
2006.
[8] S. CHIB and E. Greenberg. Understanding the Metropolis-Hastings algorithm.
American Statistical Associatio,, 49 :327–335, 1995.
134
BIBLIOGRAPHIE
[9] A. Christ. The virtual family project-devlopment of anatomical whole-body mo-
dels of two adults and two children. Proc. 23rd Ann. Rev. Prog. Appl. Comput.
Electromagn (ACES), pages 4093–4106, 2007.
[10] E. Conil, A. Hadjem, A. Gati, M-F. Wong, and J. Wiart. Influence of the
plane wave’s incidence on the whole body exposure at 2100 MHz. IEEE-EMC,
Submitted :1, 2010.
[11] E. Conil, A. Hadjem, M-F. Wong, and J. Wiart. Variability analysis of SAR
from 20 MHz to 2.4 GHz for different adult and child models using FDTD.
Phys. Med. Biol., 53 :1511–1525, 2008.
[12] P. J. Dimbylow. FDTD calculations of the whole-body avearged SAR in an
anatomically realistic voxel model of the human body from 1 MHz to 1 GHz.
Phys. Med. Biol., 42 :479–490, 1997.
[13] P. J. Dimbylow. Resonance behaviour of whole-body averaged specific energy
absorption rate (SAR) in the female voxel model, NAOMI. Phys. Med. Biol.,
50 :4053–4063, 2005.
[14] J. J. Droesbeke, J. Fine, and G. Saporta. Plan d’expériiences Application à
l’entreprise. Technip, Paris, 1990.
[15] D. Dubois and E. F. Dubois. A formula to estimate the approximate surface
area if height and weight be known. Arch. Int. Med, 17 :863–871, 1916.
[16] R. P. Findlay and P. J. Dimbylow. Effects of posture on FDTD calculations
of specific absorption rate in a voxel model of human body. Phys. Med. Biol.,
50 :3825–3835, 2005.
[17] S. Fujimoto and T. Watanabe. Studies on the Body Surface Area of Japanese.
Acta medica Nagasakiensia, 14 :1–13, 1969.
[18] C. Gabriel. Compilation of the Dielectric Propreties of Body tissues at RF and
Microwave Frequencies. Brooks Air Force Technical Report. http://www.fcc.
gov/cgi-bin/dielec.sh.
[19] J. K. Ghosh, M. Delampady, and T. Samanta. An introduction to Bayesian
Analysis, Theory and Methods. Springer, United States of America, 2006.
135
BIBLIOGRAPHIE
[20] A. Hadjem. Analyse de l’influence de la morphologie sur le SAR induit dans
les tissus de tête d’enfant. PhD thesis, Université de Paris 6, 2005.
[21] A. Hadjem, D. Lautru, C. Dale, M-F. Wong, V. F. Hanna, and J. WIART.
Comparison of specific absorption rate (SAR) induced in child-sized and adult
heads using a dual band mobile phone. IEEE-MTT-S Int. Microw. Symp. Dig,
pages 1453–1456, 2010.
[22] A. Hirata, N. Ito, and O. Fujiwara. Influence of electromagnetic polarization
on the whole-body averaged SAR in children for plane-wave exposures. Phys.
Med. Biol., 54 :59–65, 2009.
[23] A. Hirata, S. Kodera, J. Wang, and O. Fujiwara. a Dominant factors for in-
flunecing whole-body average SAR due to for far-field exposure in whole-body
resonance frequency and GHz regions. Bioelectromagnetics, 28 :484–487, 2007a.
[24] A. Hirata, Y. Nagaya, O Fujiwara, T. Nagayoka, and S. Watanabe. A formula
for predicting whole-body average SAR in human models for far-field exposure
at GHz bands. Bioelectromagnetics Ann. Meeting, pages 2–6, 2007b.
[25] L. HongShuang, L. ZhenZhou, and Y. Xiukai. Nataf transformation point esti-
mate method. Springer, Chinese Science Bulltin, 53 :2586–2592, 2008.
[26] ICNIRP. ICNIRP STATEMENT ON THE "GUIDELINES FOR LIMITING
EXPOSURE TO TIME-VARYING ELECTRIC, MAGNETIC, AND ELEC-
TROMAGNETIC FIELDS (UP TO 300 GHz). Health Physics., 97(3) :257–258,
2009.
[27] IFAC. Dielectric propreties of body tissues. http:niremf.ifac.cnr.it/
tissprop/.
[28] C. H. Kim, S. H. Choi, J. H. Jeong, C. Lee, and M. S. Chung. HDRK-man : a
whole body voxel model based on high resolution color slice images of a Korean
adult male cadaver. Phys. Med. Biol., 53 :4093–4106, 2008.
[29] Whist Lab. Projet ANR multipass. http://multipass.elibel.tm.fr/.
136
BIBLIOGRAPHIE
[30] A. Lee, W. Y. Choi, M. S. Chung, H. D. Choi, and J. I. Choi. Development of
Korean male body model for computational dosimetry. ETRI J, 28 :107–110,
2006.
[31] T. O. Lim, L. M. Ding, M. Zaki, A. B. Suleiman, S. Fatimah, A. Tahir, and
A. H. Mainmunah. Distribution of body weight, height and body mass index
in national sample of Malayesian adults. Med. J. Malays., 55 :108–128, 2000.
[32] E. H. livingston and S. Lee. Body Surface Area prediction in normal-weight
and obese patients. Am. J. Physiol. Endocrinol. Metab, 281 :E586–591, 2001.
[33] J. M. Martinez, J. Cahen, A. Millard, D. Lucor, F. Huvelin, J. Ko, and N. Pous-
sineau. Modélisation des incertitudes par polynômes du chaos - Etude d’un
écoulement en milieu poreux. CEA Rapport DM2S, pages 1–80, 2006.
[34] T. Nagaoka, S. Watanabe, K. Sakurai, E. Kunieda, M. Taki, and Y. Yamanaka.
Development of realistic high-resolution whole-body voxel models of Japanese
adult males and females of average hight and weight, and application of models
to radio-frequency electromagnetic-field dosimetry. Phys. Med. Biol., 49 :1–15,
2004.
[35] M. Sempé G. Pédron. Auxologie, méthode et séquences. Theraplix, Paris, 1979.
[36] E. Perissinotto, C. Pisent, G. Sergi, F. Grigoletto, and G. Enzi. Anthropometric
measurements in the elderly : age and gender difference. Br. J. Nutr., 87 :177–
186, 2002.
[37] J-C. Pineau and B. Kapitaniak. Les français âgés de 20 ans : relation entre le
déficit ou l’excédent pondéral et le Body Mass index (BMI). Antropolgicum,
8 :93–100 (www.didac.ehu.es/antropo), 2008.
[38] G. Saporta. Probabiltés, Analyse de Données et Statistiques. Edition Technip,
Paris, 1990.
[39] J. Silly-Carette. Modélisation avancée de l’absorption des ondes électromagné-
tiques dans les tissus biologiques. PhD thesis, Université de Paris 6, 2008.
[40] J. Silly-Carette, D. Lautru, A. Gati M-F. Wong, J. Wiart, and V. Fouad-Hanna.
Variability on the propagation of a plane wave using stochastic collocation me-
137
BIBLIOGRAPHIE
thod in a Bio electromagnetic application. IEEE Microwaves and Wireless
components Letters, 19 :185–187, 2009.
[41] S. Sýkora. On the Circumference of Ellipses and Novel Approximations for the
Complete Elliptic Integral. http://www.ebyte.it/library/docs/math05a/
EllipseCircumference05.html.
[42] Le Soir. Les antennes GSM nuisent à la santé. http://fortune.fdesouche.
com/17162.
[43] B. Sudret. Uncertainty propagation and sensivity analysis in mechanical models-
Contributions to structural reliability and stochastic spectral methods. PhD the-
sis, Habilitation à diriger des recherches, Université Blaise Pascal, Clermont-
Ferrand, 2007.
[44] D. Szczerbaa, E. Neufelda, M. Zefferera, G. Szekelyb, and N.Kuster. Unstructu-
red mesh generation from the Virtual Family models for whole body biomedical
simulations. International Conference on Computational Science, ICCS 2010,
pages 837–844, 2010.
[45] A. Taflove and S. C. Hagness. Computational Electrodynamics. Artech House,
Boston, 2000.
[46] J. Valentin. Basic anatomical and physiological data for use in radiological
protections : reference values. Annals ICRP Pub. 89 vol 32, Paris, 2002.
[47] J. Wang, O. Fujiwara, S. Kodera, and S. Watanabe. FDTD calculation of whole
body average SAR in adult and child models for frequencies from 30 MHz to 3
GHz. Phys. Med. Biol., 51 :4119–4127, 2008.
[48] J. WIART, A. Hadjem, M-F. Wong, and I. Bloch. Anlaysis of RF exposure in
the head tissues of children and adults. Phys. Med. Biol., 53 :3681–3695, 2008.
[49] K. S. Yee. Numerical solution of initial boundary value problems involving Max-
well’s equations in isotropic media. IEEE Trans. Antennas Propag., 14 :302–307,
1966.
138
BIBLIOGRAPHIE
[50] I. G. Zubal, C. R. Harrell, E. O. Smith, Z. Rattner, G. Gindi, and B. P. Hoffer.
Computerized 3-dimensional segmented Human anatomy. Phys. Med. Biol.,
21 :299–302, 1994.
139
BIBLIOGRAPHIE
140
Liste des publications
Revue internationale avec comité de lecture
El Habachi A, Conil E, Hadjem A, Vazquez E, Wong M F, Gati A, Fleury G,
and Wiart J 2010 Statistical analysis of whole-body absorption depending
on anatomical human characteristics at a frequency of 2.1 GHz. Physics in
Medecine and Biology 55 1875-1887
Conférences internationales avec comité de lecture
A El Habachi, E Conil, A Hadjem, E Vazquez, G Fleury, J Wiart 06-2009 Iden-
tification of factors influencing the Whole Body Absorption Rate using
statistical analysis. The joint meeting of the Bioelectromagnetics Society and the
European Bioelectromagnetics Association (BioEM’09), Davos : Switzerland
A El Habachi, E Conil, A Hadjem, E Vazquez, G Fleury, J Wiart 05-2010 Baye-
sian experiment planning used to determine the maximal exposure thre-
shold for a given population. Cost BM0704 URSI and EBEA Meeting
A El habachi1, E Conil, A Hadjem, E Vazquez, A Gati, M-F Wong, G Fleury,
J Wiart. 06-2010 Bayesian experiment planning applied to numerical do-
simetry. The point meeting of the Bioelectromagnetics Society and The European
Biolelectromagnetics Association (BioEM’10), Seoul, Korea, June 14-18
A El habachi, E Conil, J Carette, A Hadjem, E Vazquez, A Gati,M-F Wong, G
Fleury, J Wiart. 06-2010 Multidimensional collocation stochastic method to
evaluate the Whole Specific Absorption Rate for a given population. The
141
BIBLIOGRAPHIE
point meeting of the Bioelectromagnetics Society and The European Biolelectroma-
gnetics Association (BioEM’10), Seoul, Korea, June 14-18
Conférences nationales avec comité de lecture
EL HABACHI A., CONIL E., FLEURY G., VAZQUEZ E., HADJEM A., WONG
M-A., WIART J., 05-2009 Analyse statistique de la puissance absorbée par le
coprs entier en radiofréquence, 16ème journées Nationales Microondes (JNM’09),
CD-ROM Proceedings, Grenoble, France, May 27-29
EL HABACHI A., CONIL A., VAZQUEZ E., HADJEM A., GATI A., WONG
M.F., FLEURY G., WIART J., 04-2010 Plan d’expériences séquentiel appliqué
à la dosimétrie numérique , 15ème Colloque International et Exposition sur la
Compatibilité Electromagnétique (CEM’10), Limoges, France, Avril 7-9
Conférences nationales sans acte
EL HABACHI A., CONIL E., VAZQUEZ E., HADJEM A., WONG M-A.,
FLEURY G., WIART J., Identification des facteurs morphologiques impac-
tant le Débit d’Absorption spécifique du Corps Entier, Aremif’09, Paris,
France, Avril 30, 2009.
142
Table des figures
1 Augmentation des utilisateurs de téléphones portables en France [2] . 9
2 Exemple d’article sur les ondes paru dans un journal [42] . . . . . . . 10
3 A gauche une machine à multiprocesseurs et à droite un calculateur
utilisant des cartes graphiques . . . . . . . . . . . . . . . . . . . . . . 12
4 Exemple de modèle anatomique de corps humain . . . . . . . . . . . 13
1.1 Illustration des six fantômes initiaux . . . . . . . . . . . . . . . . . . 17
1.2 Illustration des 8 fantômes enfants. De gauche à droite : Billie, The-
lonious, Karla, le garçon coréen, Roberta, Eartha, Dizzy et Louis. . . 18
1.3 Nouveaux fantômes adultes. De gauche à droite : HDRK, Naomi,
Duke et Ella. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.4 L’absorption d’une onde plane pour le fantôme Norman en fonction
de la fréquence. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.5 Le fantôme coréen morphé à différents âges. De gauche à droite : Etri
morphé à l’âge de 5 ans, Etri morphé à l’âge de 8 ans, Etri morphé à
l’âge de 12 ans et Etri initial. . . . . . . . . . . . . . . . . . . . . . . 28
1.6 Comparaison des facteurs internes pour la famille Zubal . . . . . . . . 29
1.7 Comparaison du BMI de l’échantillon des indiens hommes avec la loi
normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.8 Comparaison de la masse de l’échantillon des italiens hommes avec la
loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.9 Histogramme de la taille de l’échantillon de la population française . 34
1.10 Histogramme de la masse de l’échantillon de la population française . 35
1.11 Tendance linéaire entre la masse et la carrure devant . . . . . . . . . 36
143
TABLE DES FIGURES
2.1 Evolution du BSA en fonction de la surface éclairée pour l’incidence
frontale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2 Corrélation entre la masse à la puissance -1/3 et la surface éclairée
par les adultes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3 Corrélation entre la surface éclairée et l’inverse du BMI des fantômes
adultes pour l’incidence frontale . . . . . . . . . . . . . . . . . . . . . 45
2.4 Erreur relative issue de l’estimation du WBSAR des fantômes par les
trois modèles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.5 Application du modèle (2.3) pour les différentes familles de fantômes. 49
2.6 Application du modèle (2.4) pour les différentes familles de fantômes. 50
2.7 Application du modèle (2.5) pour les différentes familles de fantômes. 50
2.8 Estimation des paramètres du modèle (2.6) pour les combinaisons de
9 fantômes parmi 12 . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.9 Estimation des paramètres du modèle (2.9) pour les combinaisons de
9 fantômes parmi 12 . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.10 comparaison de la distance entre la moyenne et le quantile à 5 % et
la distance entre la moyenne et le quantile à 95 % . . . . . . . . . . . 60
2.11 Lois utilisées pour modéliser la distribution de la variable aléatoire β 63
2.12 Corrélation entre le paramètre β et le BMI . . . . . . . . . . . . . . . 64
2.13 Evolution du quantile du WBSAR à 95 % en fonction des coefficients
de corrélations et des lois utilisées . . . . . . . . . . . . . . . . . . . . 65
2.14 La densité de probabilité du paramètre β modélisé par un mélange
de 15 gaussiennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.15 Les poids obtenus pour un mélange de 15 gaussiennes . . . . . . . . . 73
2.16 Exemple de deux ensembles de σi obtenus en effectuant deux estimations 74
2.17 Densités de probabilité obtenues pour un mélange de 15 gaussiennes . 76
2.18 Mélange de 15 gaussiennes obtenus en utilisant une contrainte sur la
variance. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
144
TABLE DES FIGURES
2.19 Evolution du quantile du WBSAR à 95 % en fonction du nombre
de gaussiennes pour le premier mode correspondant à la première
gaussienne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
2.20 Densités de probabilités obtenues pour un mélange de 70 gaussiennes 80
2.21 Les densités de probabilité obtenues pour un mélange de 70 gaus-
siennes en introduisant la contrainte sur la variance . . . . . . . . . . 81
3.1 A gauche tour de poitrine et à droite tour de ceinture du fantôme Duke 87
3.2 Exemple de Duke morphé (à gauche un fantôme de petite taille et
corpulent, à droite un fantôme de grande taille et mince ) . . . . . . . 88
3.3 Evolution de l’écart-type de la distribution du quantile à 95 % en
fonction du nombre d’itérations . . . . . . . . . . . . . . . . . . . . . 98
3.4 Evolution de la moyenne de la distribution du quantile à 95 % en
fonction du nombre d’itérations . . . . . . . . . . . . . . . . . . . . . 99
3.5 Expériences choisies par le plan d’expériences séquentiel . . . . . . . . 100
3.6 Fantôme correspondant a la valeur du quantile du WBSAR à 95 % . 101
3.7 Exemple bidimensionnel des Sparse Grid . . . . . . . . . . . . . . . . 106
3.8 Tour de ceinture en fonction du tour de poitrine . . . . . . . . . . . . 112
3.9 Distribution du WBSAR en fonction de l’ordre des polynômes . . . . 113
3.10 L’évolution du quantile à 95 % en fonction de l’ordre des polynômes
de chaos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
3.11 Evolution de la distribution du WBSAR en fonction de l’ordre des
polynômes de chaos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
3.12 Evolution du quantile du WBSAR à 95 % en fonction de l’ordre des
polynômes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
145
Liste des tableaux
1.1 Caractéristiques morphologiques des fantômes. . . . . . . . . . . . . . 21
1.2 Conductivité et permittivité de quelques tissus à la fréquence 2100
MHz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3 Comparaison de la moyenne des masses des facteurs internes des fan-
tômes avec celle de l’ICRP. . . . . . . . . . . . . . . . . . . . . . . . . 31
1.4 Comparaison de la moyenne des masses des facteurs internes des fan-
tômes avec celle de l’ICRP. . . . . . . . . . . . . . . . . . . . . . . . . 31
1.5 Représentativité des fantômes adultes comparés à quelques populations 38
2.1 Résultats obtenus par les modèles. . . . . . . . . . . . . . . . . . . . . 47
2.2 Estimations des paramètres des modèles pour chaque famille de fan-
tômes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.3 Résultats obtenus pour les différents modèles des paramètres . . . . . 53
2.4 Résultats obtenus pour les différents modèles équivalents des paramètres 54
2.5 Prédiction des modèles (2.9), (2.10) et (2.11) pour les nouveaux fan-
tômes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.6 Influence des différentes lois modélisant la variable aléatoire β sur le
quantile à 95 % . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.7 Comparaison du quantile du WBSAR à 95 % (mW/Kg) obtenu par
estimation avec celui obtenu par Monte Carlo . . . . . . . . . . . . . 72
3.1 Candidats obtenus par un plan d’expériences D-optimal ainsi que le
WBSAR associé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
146
LISTE DES TABLEAUX
3.2 Candidats obtenus par un plan d’expériences D-optimal ainsi que le
WBSAR associés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
3.3 Test statistique de Student et coefficient de détermination . . . . . . 102
3.4 Variables stochastiques associées aux facteurs, coefficients de corréla-
tions des facteurs et des variables stochastiques . . . . . . . . . . . . 108
3.5 Les polynômes de chaos associés aux lois de quelques variables sto-
chastique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
3.6 polynômes de Legendre d’ordre 3 développés pour un cas bidimensionnel110
3.7 Nombre de points en fonction de l’ordre des polynômes de chaos . . . 111
147
Résumé : Dans ce mémoire, nous étudions l’exposition aux ondes électromagnétiques l’échelle d’une popula-
tion. Cette étude est réalisée pour une exposition à une onde plane orientée frontalement sur des modèles anatomiques
du corps humains (fantômes) avec une puissance incidente de 1 W/m2 et une fréquence de 2.1 GHz. Pour ce faire,
l’idée est de construire un modèle du WBSAR (Whole Body averaged Specific Absorption Rate) en fonction de la
morphologie. Les facteurs morphologiques influençant le WBSAR ont été identifiés à l’aide des fantômes existant
dont le nombre se limite à 18 et des modèles de régressions. Cette analyse préliminaire montre que les facteurs
morphologiques externes (taille, poids . . .) seuls ne suffisent pas pour construire un tel modèle, mais l’introduction
des facteurs morphologiques internes (muscles, graisse . . .) est nécessaire. L’absence de données statistiques sur les
facteurs morphologiques internes de populations nous a conduits à intégrer des connaissances a priori sur ces facteurs
afin d’étudier l’exposition d’une population donnée. Des lois paramétriques usuelles et des mélanges de gaussiennes
sont utilisés pour modéliser ces facteurs internes afin d’étudier leur influence sur le quantile du WBSAR à 95 %.
L’utilisation des fantômes homogènes où le fantôme homogène est obtenu en remplaçant tous les tissus internes
par un unique tissu équivalent. Ces fantômes homogènes permettent de s’affranchir de l’influence de la morphologie
interne dans un modèle du WBSAR et facilitent également leur déformation par une technique de morphing. Ainsi
nous avons pu enrichir la base de fantômes existant. Pour donner une estimation du quantile du WBSAR à 95 %,
nous avons mis en place un plan d’expériences séquentiel qui repose sur un modèle paramétrique du WBSAR et
l’inférence bayésienne et qui permet de raffiner la région à 95 %. Cette approche nous a permis de trouver le quantile
à 95 % pour une population et un exemple de fantôme correspondant. Cependant, cette approche ne permet pas
d’obtenir une estimation de toute la distribution du WBSAR. Afin d’obtenir une estimation de toute cette distri-
bution, nous avons construit une surface de réponse en utilisant les polynômes de chaos. Dans l’objectif d’obtenir
des résultats cohérents nous avons effectué un changement de variables permettant de traduire les connaissances
physiques dans cette surface de réponse.
Mots clés : Dosimétrie numériques, Modèles anatomiques, Technique de morphing, FDTD, Régressions, Tests
statistiques, Plan d’expériences séquentiel, Inférence Bayésienne, Surface de réponse, Polynôme de chaos.
Abstract : In this report, a study of the exposure to electromagnetic waves at the level of population is
proposed. This study is conducted in the case of a plane wave oriented frontally on anatomical models (phantoms)
with an incident power of 1 W/m2 and at the frequency of 2.1 GHz. For this purpose, the idea is to build a
surrogate model of the WBSAR (Whole Body averaged Specific Absorption Rate) as a function of morphology. An
identification of morphological factor is performed using the limited number of phantoms (18 phantoms) and different
regressions. This analysis shows that to use only external morphological factors (height, weight . . .) is not sufficient
to build such surrogate model and that internal morphological factors (muscles, fat . . .) are also important. The
absence of statistical data on internal morphology conducts us to introduce some prior knowledge on these internal
factors to study the exposure for a given population. Some parametric laws and Gaussian mixture are used to study
their influence on the quantile of the WBSAR at 95 The lack of data on internal morphology led us to consider
homogeneous phantoms instead of the heterogeneous one. In homogeneous phantoms, all the internal tissues are
substituted by an equivalent tissue. These homogeneous phantoms allow us to overcome the influence of internal
morphology for a WBSAR model and to use a morphing technique to increase the database of phantoms. To give
an estimation of the WBSAR quantile at 95 %, a sequential experiment design is used. This approach is based on
a parametric model and Bayesian inference. This experiment design allows us to estimate the quantile at 95 for a
given population and an example of one corresponding phantom. Nevertheless, this approach does not allow one to
estimate the whole distribution of the WBSAR for a given population. To give an estimate of this distribution a
surface of response is established using polynomial chaos. This approach gives incoherent results with the physical
phenomenon. To obtain coherent results, physical knowledge is introduced by variables changing in this response
surface.
Keywords : Numerical dosimetry, Anatomical models, Morphing Technique, FDTD, Regressions, Statistical
Tests, Sequential Experiment Design, Bayesienne Inference, Response Surface, Polynomial Chaos.
top related